Python Portal
Kanalga Telegram’da o‘tish
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Ko'proq ko'rsatish
Tarmoq:📈 Telegram kanali Python Portal analitikasi
Python Portal (@pythonportal) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 51 019 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 534-o'rinni va Rossiya mintaqasida 12 038-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 51 019 obunachiga ega bo‘ldi.
26 Avgust, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -366 ga, so‘nggi 24 soatda esa -22 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 9.44% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 4.76% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 4 818 marta ko‘riladi; birinchi sutkada odatda 2 430 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 19 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent строка, none, true, модуль, peter kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Всё самое интересное из мира Python
Сотрудничество, реклама: @devmangx
Менеджер: @Spiral_Yuri
РКН: https://clck.ru/3GMMF6”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 27 Avgust, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
51 019
Obunachilar
-2224 soatlar
-1237 kunlar
-36630 kunlar
Postlar arxiv
50 997
Классные бесплатные приложения для разработчиков.
- http://tracedr.com — Бесплатный трекер рейтинга доменов
- http://trackdomains.com — Бесплатный мониторинг WHOIS доменов
- http://replacements.fyi — Поиск замены для npm-пакетов
- http://quarkdown.com — Open-source система вёрстки на основе Markdown
- http://animate-ui.com — Анимация UI с помощью React-компонентов
👉 @PythonPortal
50 997
Изучайте глубокое обучение по структурированному курсу от Stanford.
Что вас ждет:
• работа с последовательностями (sequences)
• обработка текста
• задачи языкового моделирования (language modeling)
Ссылка — вот -
👉 @PythonPortal
50 997
Вашему второму мозгу нужно больше, чем демо-чатбот
second-brain-ai-assistant-course — это open-source репозиторий курса от Decoding AI для разработчиков, которые хотят создать ассистента для личной базы знаний с LLM, агентами, RAG и LLMOps.
Он помогает перейти от разрозненных заметок к полноценному ассистенту через шесть модулей: пайплайны данных, генерация датасета, тонкая настройка, развёртывание, продвинутый RAG и агентный инференс/наблюдаемость.
Ключевые особенности:
• Шесть модулей — охватывает архитектуру, ETL, тонкую настройку, развёртывание, RAG и LLMOps
• Офлайн + онлайн приложения — разделяет ML/пайплайны данных и пайплайн инференса ассистента
• Поддержка Notion — использует базу знаний Second Brain, доступен публичный снимок, так что аккаунт Notion не обязателен
• Настоящие LLMOps-инструменты — включает ZenML, Opik, Comet, Unsloth, MongoDB, Hugging Face и OpenAI
• Ориентация на разработчика — документация модулей, готовый код, uv/ruff и Docker-инфраструктура
Открытый исходный код (лицензия MIT).
🐸🐸🐸
👉 @PythonPortal
50 997
Инженер Anthropic:
«Fable — одна из тех моделей, которые запоминаются. Как когда-то Sonnet 3.5, Opus 4 и Opus 4.5. Мы сократили системный промпт Claude Code на 80%. Новому поколению моделей нужен более компактный промпт».В этом 20-минутном выступлении один из ведущих инженеров Anthropic рассказывает о возможностях Fable. Посмотрите видео, а затем прочитайте статью ниже о том, как эффективно использовать эту передовую модель. 👉 @PythonPortal
50 997
HTTP/1.1 ≠ HTTP/2 ≠ HTTP/3
Все они передают веб-страницы…
Но каждое поколение решило главное узкое место производительности.
Самый простой способ их запомнить:
HTTP/1.1
→ Один запрос за раз на одно соединение. Просто, но медленнее для современных сайтов.
HTTP/2
→ Множество запросов могут использовать одно TCP-соединение благодаря мультиплексированию.
HTTP/3
→ Работает поверх QUIC (на базе UDP), снижая задержку и устраняя головную блокировку на транспортном уровне.
Быстрый приём для запоминания:
- HTTP/1.1 = Последовательно
- HTTP/2 = Мультиплексировано
- HTTP/3 = Мультиплексировано + Быстрое восстановление
Почему развивались версии?
🔹 HTTP/1.1
- Множество TCP-соединений для загрузки многих ресурсов
- Текстовый протокол
- Головная блокировка на прикладном уровне
🔹 HTTP/2
- Мультиплексирование по одному TCP-соединению
- Бинарный протокол
- Сжатие заголовков (HPACK)
- Меньше соединений, лучше производительность
🔹 HTTP/3
- Построен на QUIC вместо TCP
- Быстрое установление соединения
- Лучшая производительность на нестабильных и мобильных сетях
- Улучшенная устойчивость к потере пакетов
Частый вопрос на собеседованиях:
Если HTTP/2 уже поддерживает мультиплексирование, зачем понадобился HTTP/3?
Потому что HTTP/2 всё ещё работает поверх TCP. Если пакет потерян, TCP может задержать другие потоки на этом соединении. HTTP/3 использует QUIC поверх UDP, позволяя потокам восстанавливаться более независимо и снижая задержку на ненадёжных сетях.
Одна фраза навсегда:
HTTP/1.1 = Один за другим
HTTP/2 = Много сразу
HTTP/3 = Много сразу, даже на плохих сетях
Сохранил эту шпаргалку для всех, кто учит сети, бэкенд-разработку или готовится к собеседованиям по системному дизайну.
👉 @PythonPortal
50 997
Не учите ML, прыгая по случайным туториалам.
DS-ML Bootcamp — это публичный репозиторий курса по Data Science и машинному обучению для начинающих, которые хотят структурированный путь от нуля до практических проектов.
Он помогает перейти от установки и концепций к практической ML-работе, организуя уроки, задания, примеры кода, датасеты и решения вокруг основного воркфлоу машинного обучения.
Ключевые возможности:
- Сквозной воркфлоу — охватывает сбор данных, предобработку, разбиение на train/test, выбор модели, обучение, оценку и развёртывание
- Структура по урокам — начинается с инструментов/настройки, Data Science, ML, основ данных и регрессии
- Практические материалы — задания дают учащимся структурированные задачи, а не только чтение конспектов
- Код + датасеты — примеры на Python и сырые CSV-датасеты включены для упражнений
- Настройка для повторения — в README сказано, что можно клонировать репозиторий и использовать Jupyter или VS Code, параллельно просматривая уроки
Бесплатный публичный репозиторий на GitHub.
👉 @PythonPortal
50 997
Трансформеры становятся понятнее, когда можно «потыкать» модель напрямую.
Transformer Explainer — это интерактивный инструмент визуализации для изучения того, как работают текстогенерирующие модели на основе трансформеров, такие как GPT.
Он помогает связать архитектуру с реальным поведением, запуская живую GPT-2 прямо в браузере, позволяя вводить свой текст и показывая, как внутренние компоненты работают вместе для предсказания следующих токенов.
Ключевые возможности:
- Живая GPT-2 в браузере — экспериментируйте без настройки отдельного сервера модели
- Свой текст — пробуйте собственные промпты и смотрите, как модель их обрабатывает
- Внутренние компоненты — наблюдайте за операциями, работающими внутри трансформера
- Фокус на предсказании следующего токена — связывайте каждый визуальный шаг с предсказаниями модели
- Локальная разработка — клонируйте репозиторий, установите зависимости и запустите через npm для глубокого изучения
Это open-source (лицензия MIT).
https://github.com/poloclub/transformer-explainer
👉 @PythonPortal
50 997
Появился почти «божественный» инструмент. Думаю, после него количество доработок у людей, которые делают PowerPoint-презентации, заметно снизится.
hugohe3/ppt-master — 33 093★ на GitHub, +589 за сегодня. Хотя он работает на ИИ, он не просто генерирует «слайды с вставленными картинками» — он собирает полноценные редактируемые .pptx-файлы с нативными фигурами и анимациями. Сильная штука.
Самая больная часть генерации документов через ИИ — потом это нельзя нормально править. ppt-master умеет конвертировать любой документ в .pptx, поддерживает кастомные шаблоны и даже добавляет аудионарацию для заметок докладчика.
В веб-версии ChatGPT и Claude это уже есть, поэтому хорошо, что появился и CLI-вариант. В реальной практике обычно работает простая схема: «ИИ делает черновик, человек доводит руками». Похоже, такие пайплайны будут дальше только развиваться.
https://github.com/hugohe3/ppt-master
👉 @PythonPortal
50 997
Недавно наткнулся на Open Lovable — open source-проект команды Firecrawl, который уже набрал более 24 тысяч звёзд на GitHub.
Порог входа практически отсутствует: просто вставьте ссылку на сайт, который хотите «клонировать», и через несколько секунд получите очень точную React-версию. Макет, стили и взаимодействия максимально повторяют оригинал, поэтому её удобно использовать как основу для дальнейшей разработки.
GitHub: http://github.com/mendableai/open-lovable
Кратко о возможностях:
- В один клик «клонирует» любой сайт в React-приложение, справляясь даже со сложными страницами.
- Поддерживает работу с несколькими моделями, включая OpenAI, Anthropic, Gemini, Grok и другие, позволяя легко переключаться между ними.
- Построен на базе Firecrawl для извлечения структуры страниц, что делает воссоздание сайтов более стабильным и точным.
- Поддерживает локальную отладку и развёртывание, а также показывает результат в режиме реального времени во время генерации — сразу видно, что получается.
- Интегрируется с песочницей E2B для более безопасного запуска и тестирования.
Проект распространяется по лицензии MIT и полностью открыт: достаточно скачать его локально, указать необходимые API-ключи — и можно начинать работу.
👉 @PythonPortal
50 997
Вышел Chunkr. Проект с открытым исходным кодом для интеллектуальной обработки документов. Он преобразует PDF, презентации PowerPoint, документы Word и изображения в структурированные блоки, готовые для RAG-систем и конвейеров на базе LLM.
Возможности:
» анализ структуры документа с OCR и координатами элементов;
» экспорт в структурированный HTML и Markdown;
» обработка с помощью визуально-языковых моделей;
» возможность развернуть локально через Docker Compose с поддержкой различных LLM-провайдеров.
👉 @PythonPortal
50 997
Китайский брат выложил в открытый доступ замену для NumPy, которая выполняет вычисления на GPU.
Называется CuPy. Во многих случаях достаточно заменить одну строку:
import numpy as npimport cupy as cp50 997
Вышло руководство по Loop Engineering — новый подход к работе с AI-агентами
Опубликован репозиторий loop-engineering, предлагающий сдвиг парадигмы: вместо того чтобы вручную давать промпты AI-агентам, разработчик проектирует цикл, который делает это автоматически.
Автор отмечает, что большинство до сих пор использует Claude Code, Codex, Cursor и Grok как обычный чат: промпт → ожидание → копирование → исправление → снова промпт. Loop Engineering предлагает перестать быть «нянькой» для агента и вместо этого построить систему, где агенты работают, проверяют, исправляют и эскалируют самостоятельно.
Репозиторий включает готовые циклы для ежедневного триажа, PR, CI, зависимостей, changelog и issues. В комплекте идут CLI для создания циклов, оценки токенов, аудита репозитория и безопасного запуска агентов через GitHub Actions.
«Prompt engineering был о том, как писать лучшие промпты. Loop engineering — о создании системы, где агенты продолжают работать без вашего присмотра на каждом шагу», — говорится в описании.
Репозиторий доступен на GitHub.
Репозиторий: https://github.com/cobusgreyling/loop-engineering
👉 @PythonPortal
50 997
Появился Hyper-Extract — инструмент, который превращает неструктурированные документы в полноценные базы знаний.
Вместо обычного разбиения PDF на чанки для RAG, Hyper-Extract может автоматически строить графы знаний, гиперграфы, временные и пространственные графы, типизированные модели данных, Obsidian Vault и базы знаний с поддержкой MCP.
Среди сценариев использования:
• преобразование научных статей в исследовательские графы;
• извлечение компаний, людей, метрик и рисков из финансовых отчётов;
• создание поисковых баз знаний из внутренних документов;
• локальный запуск через vLLM без отправки данных в облако;
• подключение к Claude Desktop и агентам в IDE через MCP.
В комплекте также есть более 80 YAML-шаблонов для финансов, юриспруденции, медицины и других областей.
GitHub: https://github.com/yifanfeng97/Hyper-Extract
👉 @PythonPortal
50 997
Как не дать ИИ заливать мусор в GitHub.
В репозитории git push no-mistakes предложили подход, где изменения прогоняются через локальную проверку до попадания в PR.
Идея простая. Перед пушем ветка проходит валидацию: ИИ проверяет код, дальше запускаются тесты, линтер, генерация документации и CI. Всё это работает локально через worktree, без блокировок и без остановки процесса разработки.
Если всё зелёное — открывается чистый pull request.
👉 @PythonPortal
50 997
Исторический момент. Новый HTTP-метод в стандарте.
QUERY. Альтернатива GET и POST.
Как GET — не меняет состояние ресурса. Как POST — можно использовать тело запроса. Шлёшь JSON, кешируешь ответ.
Только что повышен до Proposed Standard.
👉 @PythonPortal
50 997
Вау, вот это скорость разработки! 🚀
На GitVerse появилось зеркало PyPI — теперь Python‑пакеты доступны, даже если upstream PyPI упадёт или станет недоступен.
Ставьте зеркало как основной источник или держите как резерв. Рассказали, как это сделать, здесь!
50 997
Хочешь быстро прокачать SQL?
Вот 4 курса, которые помогут поднять уровень:
- SQL Basics for Data Science
[https://programmingvalley.com/course/learn-sql-basics-for-data-science-free-course]
- Google Data Analytics
[https://programmingvalley.com/course/google-data-analytics-free-course]
- IBM Data Science
[https://programmingvalley.com/course/ibm-data-science-free-course]
- Google Business Intelligence
[https://programmingvalley.com/course/google-business-intelligence-free-course]
Подойдут как для изучения основ SQL, так и для освоения анализа данных, BI-инструментов и работы с данными в реальных проектах.
👉 @PythonPortal
