Python 🇺🇦
Закритий канал
▪️Вивчаємо Python разом. ▪️Високооплачувана професія ▪️Допомагаємо з пошуком роботи Зв'язок: @Ekater1na_admin
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Python 🇺🇦
Канал Python 🇺🇦 у мовному сегменті Українська є активним учасником. На даний момент спільнота об'єднує 20 326 підписників, посідаючи 6 346 місце в категорії Технології та додатки та 2 989 місце у регіоні Україна.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 20 326 підписників.
За останніми даними від 28 серпня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -191, а за останні 24 години на -5, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 10.07%. Протягом перших 24 годин після публікації контент зазвичай збирає 5.43% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 2 048 переглядів. Протягом першої доби публікація в середньому набирає 1 103 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 14.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як шпаргалка, mcp, user1, python'er, бібліотека.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“▪️Вивчаємо Python разом.
▪️Високооплачувана професія
▪️Допомагаємо з пошуком роботи
Зв'язок: @Ekater1na_admin”
Завдяки високій частоті оновлень (останні дані отримано 29 серпня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
20 326
Підписники
-524 години
-477 днів
-19130 день
Архів дописів
20 322
Pytest markers: як оптимізувати тестування
У великих проєктах частина тестів може працювати повільно — наприклад, через ML-тренування, GPU-обчислення чи інтеграційні перевірки. Щоб не чекати зайвого, у Pytest можна додавати маркери й запускати лише потрібні групи тестів
Приклад:
•
@pytest.mark.fast — швидкі юніт-тести
• @pytest.mark.slow — тривалі тести (наприклад, навчання моделі)
• @pytest.mark.gpu — тести, що використовують GPU
Команди:
• лише швидкі: pytest -m fast
• усе, крім повільних: pytest -m "not slow"
Python
20 322
Ловіть пораду з чистого коду
Декоратори дозволяють додавати повторно використовуваний функціонал до функцій і підтримувати принцип розділення відповідальності
Приклад:
def ask_for_passcode(func):
def inner():
print('Який пароль?')
passcode = input()
if passcode != '1234':
print('Невірний пароль.')
else:
print('Доступ дозволено.')
func()
return inner
@ask_for_passcode
def start():
print("Сервер запущено.")
@ask_for_passcode
def end():
print("Сервер зупинено.")
start() # декоратор запитає пароль
end() # декоратор запитає пароль20 322
Repost from Python'er | Web • Data Science • DevOps • AI
PaddleOCR
Зовсім недавно Baidu виклала у відкритий доступ свою найпотужнішу мультимодальну модель для розуміння документів — PaddleOCR-VL.
При розмірі всього 0,9 млрд параметрів вона побила рекорд OmniBenchDoc, зайнявши перше місце у світі і показавши SOTA за всіма чотирма основними метриками, обійшовши такі моделі, як GPT-4o, Gemini-2.5 Pro, MinerU2.5 і dots.ocr.
Чому це важливо
В епоху ШІ цінність структурованих даних із документів очевидна, але якість розпізнавання у різних OCR-інструментів сильно різниться.
Багато документів містять складні таблиці, формули або багатоколонкові макети, і традиційні OCR-моделі часто видають сміття, яке потім доводиться вручну правити.
PaddleOCR-VL вирішує цю проблему кардинально.
Що вміє модель
Це найпотужніший похідний варіант Wenxin 4.5.
Вона набрала 92.6 балів у глобальному тесті OmniDocBench v1.5, зайнявши 1-е місце за сукупною продуктивністю.
Швидкість інференсу зросла на 14,2% порівняно з MinerU2.5 і на 253,01% порівняно з dots.ocr.
Але це не просто OCR, який витягує текст. Модель реально розуміє структуру документа.
Наукові статті, газети з кількома колонками, технічні звіти — все це вона розбирає коректно, відновлюючи правильний порядок контенту.
Що можна витягувати
Модель точно парсить таблиці, математичні формули, рукописні нотатки, дані з графіків і діаграм, конвертуючи все це у готові до використання структуровані дані.
Підтримується 109 мов, включно з китайською, англійською, французькою, японською, російською, арабською, іспанською та іншими.
Це сильно покращує можливості моделі при роботі з багатомовними документами.
Модель уже викладена в open source, підтримує кілька варіантів деплою і доступна для тестування прямо на HuggingFace.
📁 Language: #Python 77.0%
⭐️ Зірки: 57.5k
➡️ Посилання на GitHub
Python'er
20 322
PSF відмовилася від гранту $1,5 млн на посилення безпеки PyPI
Python Software Foundation відмовилася від гранту Національного наукового фонду США через умови, які забороняли будь-які ініціативи, що підтримують різноманіття, рівність і інклюзивність (DEI). Це обмеження поширювалося на всю діяльність PSF під час дії гранту, створюючи юридичні та етичні ризики
Фінансування планували спрямувати на проактивну перевірку пакетів PyPI до публікації, автоматичний аналіз коду на шкідливі патерни та розвиток інструментів безпеки для інших екосистем
В організації пояснили, що безпека важлива, але не ціною відмови від базових цінностей спільноти
Python
20 322
+1Think Python — книга для старту з нуля
Безкоштовний ресурс для вивчення Python: від змінних до ООП і рекурсії. Оформлено у форматі Jupyter-ноутбуків — читай, запускай код і вирішуй задачі прямо в браузері через Colab
Рішення та приклади — у GitHub-репо
Python
20 322
#Вакансія
🖥 Маєш навички IT? Хочеш отримати досвід у Web3 та виплати за завдання?
У "C4-Dev.Hub" ти отримуєш ментора, готове ТЗ від проекту та стартуєш одразу.
👥 «С4 team» – команда з 5-річним досвідом у Web3: інвестуємо в проекти та спільноту, беремо участь у грантах/баунті/хакатонах, супроводжуємо інтеграції.
Ринок перекошений: блокчейни збирають інвестиції та будують платформи, але їм критично потрібні прикладні програми та інтеграції. За це вони залюбки платять.
💻 Що ми робимо: зібрали "C4-Dev.Hub" — команду девів (від початківців до сеньйорів), які одразу підключаються до актуальних завдань проектів під менторством "C4" та заробляють на винагородах від цих проектів.
Хаб навчає практично, дає проекти, гайди та ревью, а не «курси заради курсів».
Проходь опитування та приєднуйся до команди 👉 @nadyahr_bot
