Python RU

🔥 На stepik вышел курс, который учит Создавать настоящие AI-сервисы, а не просто запускать скрипты? Этот практический курс по Python и FastAPI покажет, как собрать полноценное приложение с ИИ, базой данных, автогенерацией контента и Telegram-ботом. Ты пройдёшь путь от первого HTTP-запроса до рабочего сервиса, который сам генерирует текст через ИИ, сохраняет данные, отправляет результаты по расписанию и отвечает пользователям. Никакой теории ради теории - только практические шаги, из которых рождается реальный продукт. 🎁 48 часов действует скидка в 40% процентов 👉 Начать учиться на Stepik

🙂 Как Cursor вайбкодил браузер - наглядно. Гендир Cursor, Майкл Труэлл, запостил в Х крутую тайм-лапс визуализацию процесса создания браузера роем агентов, о котором мы рассказывали на днях. Сколько раз пересмотрели? @ai_machinelearning_big_data

🎙 OpenBMB выложили в open-source веса VoxCPM - с real-time стримингом и LoRA fine-tuning Модель работает примерно с 0.15 real-time factor на одной RTX 4090 - то есть очень быстро. Самое интересное: VoxCPM фактически убирает токенизацию из TTS. Вместо того чтобы переводить аудио в дискретные токены, модель генерирует непрерывную речь напрямую. Это убирает “токенные артефакты” и лучше сохраняет: - интонацию - темп речи - эмоции и просодию Технически: • End-to-end diffusion + autoregressive генерация • Непрерывные акустические представления • Без узких мест типа фонем и codec-токенов 🧬 Клонирование голоса - буквально по нескольким секундам аудио Достаточно короткого референса, и модель переносит: - акцент - ритм - тембр - паузы и тайминг Возможности: • Zero-shot voice cloning • Без обучения под конкретного спикера • Работает в режиме streaming ⚡ Быстро и легко тюнится Стриминг идёт чанками с задержкой меньше секунды. А через LoRA fine-tuning можно адаптировать голоса без полного переобучения модели. https://github.com/OpenBMB/VoxCPM

⚡️ Хочешь обучить свой TTS с нуля и добавлять туда фичи “как тебе надо”, а не как у всех? Команда LEMAS (IDEA) открыла датасет, на котором они обучали LEMAS и это, похоже, крупнейший open-source мультиязычный speech-датасет вообще. Что внутри: - 150K+ часов аудио - 10 языков - word-level timestamps (разметка до уровня слов) - качество и масштаб уровня “обычно такое держат под замком” По сути - они выложили то, что большинство компаний никогда бы не отдали публично. И да, из этого “сокровища” уже родились 2 мощные модели: LEMAS-TTS - Zero-shot мультиязычный синтез речи (озвучка без дообучения на конкретного спикера) LEMAS-Edit - редактирование речи как текста: меняешь слова — меняется аудио Если ты работаешь со Speech AI, TTS, ASR, voice agents — это must-have релиз. Project: https://lemas-project.github.io/LEMAS-Project/ Dataset & model released: https://huggingface.co/LEMAS-Project

🔥 AnthropicAI выпустили Claude Cowork - по сути это Claude Code, но для НЕтехнарей Идея простая: теперь агенты на твоём компьютере становятся доступными не только разработчикам. Что умеет Claude Cowork: ✅ Долгие задачи прямо на твоём ПК Не “ответил и забыл”, а реально берёт задачу и делает её часами, пока не закончит. ✅ Без терминала Никаких команд, npm, pip и прочего - запускается прямо в Claude app как новая вкладка. ✅ Доступ ко всему контексту компьютера Может: - видеть файлы и папки - использовать контекст приложений - управлять браузером - собирать данные и заполнять формы - выполнять цепочки действий Мир сейчас впервые массово увидит, каково это - когда твой компьютер реально работает за тебя, пока ты спишь. Следующий шаг очевиден: люди начнут “нанимать” ИИ как ассистента,а не как чатбота. Ждём эпоху: *поставил задачу вечером → утром получил готовый результат*. 📌 Скачать: https://claude.com/download 📌 Анонс: https://claude.com/blog/cowork-research-preview

🖥 БЫСТРЫЙ СЕРВЕР ДЛЯ PYTHON ЗА 5 МИНУТ Нужно быстро поднять сервер под Python-проект без лишней возни? Ставим системные пакеты, создаём отдельного пользователя, настраиваем venv, делаем systemd-сервис и сразу получаем автозапуск + рестарт при падении. Идеально для FastAPI / Flask / любых API и ботов.

sudo apt update && sudo apt install -y python3-venv python3-pip nginx
sudo useradd -m -s /bin/bash app && sudo mkdir -p /opt/app && sudo chown -R app:app /opt/app
sudo -u app bash -lc 'cd /opt/app && python3 -m venv venv && ./venv/bin/pip install -U pip uvicorn fastapi'

sudo tee /etc/systemd/system/app.service >/dev/null <<'EOF'
[Unit]
After=network.target

[Service]
User=app
WorkingDirectory=/opt/app
ExecStart=/opt/app/venv/bin/uvicorn main:app --host 0.0.0.0 --port 8000
Restart=always

[Install]
WantedBy=multi-user.target
EOF

sudo systemctl daemon-reload
sudo systemctl enable --now app
sudo systemctl status app --no-pager

https://www.youtube.com/shorts/cbUNWU1Sbsc

🖥 Новый курс на Stepik - PostgreSQL для разработчиков: от основ к созданию API Здесь на пальцах объясняют не только как писать SQL-запросы, а строить настоящие backend-сервисы с базой данных как у профи. В этом курсе ты шаг за шагом создашь REST API на FastAPI + PostgreSQL: от установки среды и первых таблиц - до масштабируемого приложения с безопасностью и CRUD-операциями. 🔹 На практике разберете: • SQL-запросы, фильтры, агрегаты и подзапросы • Связи между таблицами и нормализацию БД • Взаимодействие Python и PostgreSQL • Реализацию REST API и подключение базы • Оптимизацию и разбор реальных задач с собеседований ⚡ После курса у вас будет свой работающий API-проект и реальные навыки работы с PostgreSQL в продакшене. 🎁 Торопись пока действует скидка в честь нвого года! 🚀 Прокачаю свои знания: https://stepik.org/course/255542/

🚀 21 урок для инженеров от человека с 14-летним опытом в Google Addy Osmani собрал ключевые выводы из своей карьеры в Google — не про фреймворки и хайп, а про то, что реально делает инженера сильнее. Основные идеи: - решай проблемы пользователей, а не абстрактные задачи - цени ясность и простоту кода больше, чем сложные трюки - умей договариваться и работать в команде, а не просто быть правым - быстрее расти помогают не обсуждения, а итерации и действие - долгосрочный рост — это обучение, обратная связь и передача знаний Это не мотивационный текст, а практичный взгляд на то, как выглядит инженерная карьера изнутри большой технологической компании. Полезно прочитать каждому, кто строит карьеру в разработке и хочет расти системно, а не случайно. https://www.youtube.com/watch?v=fAzrx_t7IAE

100 технических вопросов для интервью Data Analyst / Data Scientist (Middle/Senior) В этом руководстве мы подробно разберем 100 реальных технических вопросов, которые часто встречаются на собеседованиях для аналитиков данных и специалистов по данным уровня middle и senior. Вопросы сгруппированы по типам компаний (FAANG, стартапы, финтех, консалтинг), по уровню позиции (middle или senior) и по ключевым категориям знаний. Используя этот гайд, вы сможете оценить свой уровень подготовки, понять глубину ответов, ожидаемую от опытных кандидатов, и избежать популярных ошибок. Давайте перейдем к вопросам. FAANG: Интервью в крупных технокомпаниях (FAANG – Amazon, Apple, Netflix, Google и аналогичные крупные IT-компании) Middle-уровень – FAANG SQL – примеры вопросов (Middle, FAANG) https://uproger.com/100-tehnicheskih-voprosov-dlya-intervyu-data-analyst-data-scientist-middle-senior/

🔥 Какой базовый Docker-образ Python стоит выбирать для финансовых задач. - В большинстве задач разница в скорости между образами не превышает ~10 %. - Поэтому по умолчанию выгоднее брать маленький образ python:3.14-slim (~150 МБ), а не тяжёлые Anaconda/Intel (~3 ГБ). - Исключение — тяжёлая линейная алгебра на Intel CPU: там MKL даёт заметное ускорение (1.1×–2×). Реальный кейс из хедж-фонда - Команда использовала Intel Python для ночных batch-задач. - После перехода на python:3.14-slim джобы ускорились примерно на 40 %, без изменения кода. - Причина — выигрыш дал новый интерпретатор Python 3.14, а не библиотека MKL, потому что нагрузка была больше про pandas и бизнес-логику, чем про чистые матрицы. Ключевая идея: меньше время обработки — быстрее решения и реакции рынка. Как выбирать образ: простое «дерево решений» 1️⃣ По CPU AMD (Ryzen, EPYC, Threadripper) - Использовать python:3.14-slim. - MKL из Intel Python / Anaconda на AMD часто даже медленнее из-за особенностей оптимизаций. Intel (Xeon, Core) - Если основная нагрузка — плотная линейная алгебра (умножение матриц, SVD и т. д.), тогда имеет смысл Intel Python или Anaconda (MKL). - Если ETL, pandas, смешанные пайплайны — python:3.14-slim почти не уступает, но гораздо легче. 2️⃣ По типу нагрузки - IO-bound (файлы, сети, БД) — образ почти не влияет, выигрывает slim из-за размера. - ETL на pandas/Polars — разница 5–10 %, slim обычно оптимален. - BLAS-heavy (NumPy-линейка) - Intel CPU — MKL-образы могут дать 1.5–2× ускорение. - AMD CPU — OpenBLAS в slim обычно быстрее. - CPU-bound Python (циклы, логика) — важен сам интерпретатор и multiprocessing. GIL и параллелизм - GIL не даёт потокам ускорять CPU-bound задачи. - Для CPU-bound лучше применять multiprocessing, ProcessPoolExecutor, joblib, Numba. - BLAS (NumPy) параллелится сам — потоками на уровне C-кода, GIL не мешает. Почему Python 3.14 так важен - Интерпретатор 3.14 даёт +10–20 % к производительности CPU-bound кода. - Intel Python и Anaconda пока чаще держатся на 3.12 — из-за этого они иногда медленнее даже при наличии MKL. Общий практический вывод - Начинать почти всегда стоит с python:3.14-slim — он компактный, быстрый и современный. - Идти в Intel/Anaconda только если: - у вас Intel-сервер, - значимая часть времени уходит на чистую линейную алгебру, - замеры показывают реальную выгоду. Если коротко: бери самый маленький образ по умолчанию и отходи от него только тогда, когда честные бенчмарки на твоём железе доказывают обратное. https://jiripik.com/2025/12/19/choosing-the-right-python-docker-image-for-finance-workloads/

Один Python-бот заработал $153 752, много раз подряд используя одну и ту же ошибку в ценах. На аккаунте distinct-baguette в лидерборде Polymarket и почти закрыл вкладку - обычный бот на 15-минутных окнах. А потом увидел: 70% побед при шестизначной прибыли. Обычно прибыльные боты держат 85%+. Что-то было не так, но не с ботом, а с моим пониманием. Главное: этот бот ничего не предсказывает. Ему всё равно, вырастет BTC или упадёт. Он следит только за одним: когда цены на рынке перестают сходиться по математике. На Polymarket есть две стороны — YES и NO. Одна из них всегда платит $1, значит: > YES + NO должны равняться $1. Но во время резких движений рынка происходит проскальзывание: - YES = $0.48 - NO = $0.49 - Всего: $0.97 Бот видит расхождение - покупает обе стороны одновременно. Ждёт исход. Одна сторона платит $1. Стоимость сделки — $0.97. Разница - $0.03 прибыли, независимо от результата. Скрипт сканирует Polymarket каждые несколько секунд по BTC, SOL, XRP — всё, где есть объём. Как только сумма падает ниже $0.99 - он срабатывает. Три цента звучат смешно, но если повторить это десятки тысяч раз, выходит $316K. И тогда становится понятным 70% win-rate: бот не выбирает победителей — он собирает ценовые ошибки. Пока большинство делает ставки на исход, этот бот зарабатывает на том, что ордербук иногда “забывает считать”. 👉 Аккаунт: https://polymarket.com/@distinct-baguette?via=marlowxbt

🧠 Claude Cognitive: Умная память для Claude Code Claude Cognitive добавляет рабочую память к Claude Code, позволяя эффективно управлять контекстом и координировать многопоточную работу. Это решение значительно снижает затраты токенов и улучшает производительность разработчиков, обеспечивая сохранение контекста и предотвращая дублирование работы. 🚀Основные моменты: - Умная маршрутизация файлов с учетом внимания (HOT/WARM/COLD). - Многофункциональная координация состояния для долгосрочных сессий. - Экономия токенов до 95% в зависимости от размера кодовой базы. - Поддержка многопоточной работы без повторного открытия задач. 📌 GitHub: https://github.com/GMaN1911/claude-cognitive

🖥 Docker большой исчерпывающий курс. Глава 1. Архитектура, понятия и первый запуск Курс по Docker, написанный программистами для программистов. Мы выкинули историю контейнеризации и скучную теорию. Вместо этого жесткая практика: ментальные модели через ООП, анатомия Linux-процессов, написание Dockerfile, docker-compose и подготовка к продакшену. Экономь время: учись только тому, что реально используется в индустрии https://uproger.com/docker-bolshoj-ischerpyvayushhij-kurs-glava-1-arhitektura-ponyatiya-i-pervyj-zapusk/

🎄🎄 Qwen-Image: обновление как раз к Новому году Свежая версия Qwen-Image получила заметный апгрейд качества. Модель стала генерировать намного реалистичнее и аккуратнее, особенно в сложных сценах. Что изменилось: • более естественные генерации людей, меньше «искусственного» эффекта • детальнее лица и мимика • улучшены натуральные текстуры: вода, шерсть, материалы, пейзажи • намного аккуратнее текст на картинках: лучше верстка и точность в композиции Модель прошла более 10 000 слепых сравнений на AI Arena и показала результат уровня топов среди open-source, оставаясь конкурентной даже рядом с закрытыми решениями. ▪Qwen Chat: https://chat.qwen.ai/?inputFeature=t2i ▪Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2512 ▪ModelScope: https://modelscope.ai/models/Qwen/Qwen-Image-2512 ▪GitHub: https://github.com/QwenLM/Qwen-Image ▪Блог: https://qwen.ai/blog?id=qwen-image-2512 ▪Демо HF: https://huggingface.co/spaces/Qwen/Qwen-Image-2512 ▪Демо ModelScope: https://modelscope.cn/aigc/imageGeneration ▪API: https://modelstudio.console.alibabacloud.com/?tab=doc#/doc/?type=model&url=2840914_2&modelId=group-qwen-image-max @ai_machinelearning_big_data #qwen #qwenimage #openaimodels #imagemodels

🔥 На Stepik вышел топ курс, который учит работать с Docker так, как это делают в реальных проектах с уклоном на реальные рейсы. Этот практический курс покажет, как упаковывать приложения в контейнеры, собирать лёгкие и безопасные образы, поднимать несколько сервисов через docker-compose и готовить окружение для продакшена. Ты пройдёшь путь от первого контейнера до полной инфраструктуры: с логами, сетями, томами, переменными окружения, безопасностью и отладкой. Никакой теории ради теории, только реальные шаги, из которых рождается рабочая среда разработчика и прод-окружение. 🎁 В честь нового года ближайшие 48 часов - скидка 50 процентов! 👉 Начать обучение

🎄🐍 Новогодний Python фокус для джунов: меньше шума, больше смысла Новогодний Python-совет: перестань вручную подписывать отладочные принты. Используй f"{var=}", чтобы сразу видеть и имя переменной, и значение — чище, быстрее и без путаницы. Подходит и для пет-проектов, и для продакшена. Подписывайся, больше фишек каждый день !

user = "Santa"
count = 3
items = ["🍪", "🎁", "✨"]

print(f"{user=}")
print(f"{count=}")
print(f"{items=}")

def greet(name):
    return f"Happy New Year, {name}!"

print(f"{greet(user)=}")

🖥 SQL-квест: фэнтезийное приключение для аналитиков данных Представь фэнтези-мир, где заклинания - это SQL-запросы, а древние артефакты спрятаны в таблицах и JSON-документах. 🧙Ты - боевой дата-аналитик, который с помощью SQL, Python, ETL и визуализаций охотится за харизматичным злодеем Архивариусом Пакостусом, что ломает индексы, крадёт данные и готовит “шторм данных” на столицу.🔮 В каждом эпизоде тебя ждут: выборы с последствиями, хитрые задачи от простых SELECT до рекурсивных CTE и BigQuery, юмор, эпик и неожиданные повороты. Хочешь проверить, сможешь ли ты спасти королевство не мечом, а запросами? Тогда добро пожаловать в SQL-квест. 🪄 Начать квест: https://uproger.com/sql-kvest-fentezijnoe-priklyuchenie-dlya-analitikov-dannyh/

☠️ Один Python-скрипт - убивает потребность в Excel #python #Excel CSV в папке - и через секунды у тебя: - быстрый анализ без ручных фильтров - топ товаров и суммарная выручка - график продаж по дням - один повторяемый сценарий вместо 20 кликов Фишка в том, что ты один раз написал скрипт - и дальше просто кидаешь новые CSV, получая одинаковый отчёт каждый раз.

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("sales.csv", parse_dates=["date"])
print("Выручка:", df["revenue"].sum())
print(df.groupby("product")["revenue"].sum().sort_values(ascending=False).head(5))

daily = df.groupby(df["date"].dt.date)["revenue"].sum()
daily.plot(title="Выручка по дням")
plt.tight_layout(); plt.show()

🎮🚀 NitroGen: Модель для игровых агентов NitroGen — это открытая модель для создания универсальных игровых агентов, способная предсказывать действия на основе пиксельного ввода. Обученная на крупнейшем наборе данных игрового видео, модель может адаптироваться к новым играм. 🚀Основные моменты: - Многофункциональная модель для различных игр. - Обучение на данных из интернет-видео. - Поддержка адаптации к новым играм после обучения. - Работает на Windows с Python ≥ 3.12. 📌 GitHub: https://github.com/MineDojo/NitroGen #python