Python RU

Синтаксис Python освоили, а что дальше? 🐍 Работа с БД, парсинг и идеи для пет‑проектов   В новом бесплатном курсе от Selectel собраны обучающие материалы для первых шагов в мире реального программирования. Меньше теории — больше практики. На вдумчивое ознакомление со всеми материалами уйдет около четырех часов.   После прохождения курса вы научитесь: 🔹 работать с базами данных и брокерами сообщений, 🔹 создавать приложения с графическим интерфейсом, 🔹 автоматизировать получение данных.   Переходите в Академию Selectel, чтобы начать изучение курса прямо сейчас ➡️ Реклама. АО «Селектел», ИНН 7810962785, ERID: 2VtzqwJGQBa

🔥SQLGlot — это мощный парсер SQL и оптимизатор, написанный полностью на Python. Он поддерживает 24+ диалектов, включая DuckDB, Presto/Trino, Snowflake и BigQuery, позволяя конвертировать запросы между ними с сохранением смысла. 📝 Основные преимушества: - Гибкость: парсер можно легко кастомизировать под свои нужды - Надежность: проект имеет более 1000 тестов и активное сообщество - Проивзодительность: несмотря на медленную скорость языка парсер работает очень быстро. 👾 Github @pro_python_code

✔️ СuML от NVIDIA: Scikit-learn на скорости GPU – без единой строчки нового кода! Все мы любим scikit-learn за его простоту и мощь. Но что если ваши модели обучаются слишком долго на больших данных? 🤔 NVIDIA предлагает решение! Вы берете свой обычный скрипт cо scikit-learn, добавляете всего две строки в начало, и он начинает работать в 10, 50, а то и 100+ раз быстрее на NVIDIA GPU! 🔥 ✨ Как это работает? Библиотека cuml от NVIDIA содержит супероптимизированные для GPU версии многих алгоритмов машинного обучения. С помощью простого вызова cuml.patch.apply() вы "патчите" установленный у вас scikit-learn прямо в памяти. Теперь, когда вы вызываете, например, KNeighborsClassifier или PCA из sklearn: ▶️Патч проверяет, есть ли у вас GPU NVIDIA. ▶️Проверяет, есть ли в cuml быстрая GPU-версия этого алгоритма. ▶️Если да – запускает ускоренную версию на GPU! 🏎️ ▶️Если нет (нет GPU или алгоритм не поддерживается) – спокойно запускает обычную CPU-версию scikit-learn. Ключевые преимущества: ✔️ Нулевые изменения кода: Ваш scikit-learn код остается прежним. Добавляете только 2 строчки: import cuml.patch и cuml.patch.apply(). ✔️ Колоссальное ускорение: Получите прирост производительности на порядки для поддерживаемых алгоритмов (KNN, PCA, линейные модели, Random Forest (инференс), UMAP, DBSCAN, KMeans и др.) за счет мощи GPU. ✔️Автоматическое переключение между GPU и CPU. Ваш скрипт будет работать в любом случае. Топ инструмент для всех, кто работает с scikit-learn на задачах, требующих значительных вычислений, и у кого есть GPU от NVIDIA. 👇 Как использовать: Установите RAPIDS cuml (лучше через conda, см. сайт RAPIDS):

python 
conda install -c rapidsai -c conda-forge -c nvidia cuml rapids-build-backend

Добавьте в начало скрипта:

import cuml.patch
cuml.patch.apply()

Используйте scikit-learn как обычно! Попробуйте и почувствуйте разницу! 😉 ▪Блог-пост ▪Colab ▪Github ▪Ускоряем Pandas @ai_machinelearning_big_data #python #datascience #machinelearning #scikitlearn #rapids #cuml #gpu #nvidia #ускорение #машинноеобучение #анализданных

🤖 Modern Robotics Course: Открытый курс по современной робототехнике. Курс сочетает теорию (математика, физика) и практику (код, симуляторы), помогая разработчикам научиться создавать и программировать роботов. 🌟 Что внутри? ▪ Лекции: От основ робототехники, математики и физики до пространственных преобразований, обратной кинематике и более продвинутым концепциям . ▪ Практика: Примеры кода на Python и C++ для управления роботами. ▪Симуляторы: Интеграция с стимуляторами Gazebo и ROS ( операционная система для робото) для тестирования алгоритмов. ▪Задания: Реальные практические задачи (например, управление манипулятором робота). 🌟 Для кого? ▪ Начинающие робототехники: Освоить кинематику, динамику, управление. ▪ Программисты: Интегрировать алгоритмы в ROS, Gazebo, Python/C++. ▪ Инженеры: Возможность Научиться разрабатывать автономные системы и манипуляторы. ▪Технологические энтузиасты С курсом можно пройти путь от нуля до создания рабочего прототипа. С курсом у вас будет возможность проектировать роботов, не имея железа под рукой (через симуляторы). ✔️ Готовые решения: Внутри вы найдете библиотеки для работы с преобразованиями, датчиками, движением. ✔️Карьера в робототехнике: Курс даст возможность получить базовые навыки, востребованные в Bosch, Boston Dynamics, Tesla. ⭐️ Преимущества перед другими открытыми курсами 🟠 Акцент на практике: Минимум абстракций — максимум кода. 🟠Совместимость с ROS: Стандарт для промышленной робототехники. 🟠 Современные алгоритмы: Не только классика, но и нейросетевые подходы. ➡️ Cовет: Для погружения в курс, вам поможет книга Robotics, Vision and Control: Fundamental Algorithms in Python, Peter Corke, вот ее репозиторий с примерами кода. P.S. Для тех, кто любит формат «сделай сам»: Курс научит вас собирать робота виртуально, а потом переносить решения на реальные устройства. 🤖💡 ✔️ Github ✔️ Введение в курс #course #ai #ml #robots #education #курс #робототехника

👩‍💻 Wowy — это шаблон интернет-магазина, построенный на Django 4.x, который предоставляет полный набор функций для управления! 🌟 Она обеспечивает удобный пользовательский интерфейс и мощную панель администратора. Включает поддержку управления товарами (с множеством изображений), управление категориями, корзину, список желаний, генерацию PDF-счетов и детальную аналитику продаж. 🔐 Лицензия: MIT 🖥 Github @pythonl

«Устроиться в Яндекс невозможно» — слышали такое от друзей или знакомых? Этот и другие мифы ходят среди разработчиков — команда срезов в Поиске рассказывает, как всё устроено на самом деле. ❌ Миф 1. Отбор сложнее, чем в космонавты ✅ Говорят, что создать свой Поиск — это true rocket science. Но отбор к нам в команду не космически сложный. Есть 2–4 этапа, и к каждому из них мы помогаем подготовиться. А результаты успешных секций актуальны два года, так что при новых собеседованиях их просто зачтут. ❌ Миф 2. Продуктовая разработка без челленджей ✅ В Поиске с Нейро мы решаем прикладные задачи. Интерес и сложность в том, чтобы создавать продукты, которые отвечают на запросы миллионов пользователей. Наши решения мы интегрируем в инфраструктуру, которая обрабатывает петабайты информации в день и применяет последние достижения ML. ❌ Миф 3. Слишком много легаси-кода ✅ В Яндексе адекватно относятся к техдолгу и инфраструктуре. Команды постоянно развивают технологии, потому что растёт продуктовый заказ и есть требования к надёжности сервисов. ❌ Миф 4. Бесконечные переработки и дежурства ✅ В Поиске принято, что за надёжность продукта отвечает команда разработки. Дежурства есть, но они редкие — в среднем одна неделя раз в три месяца. Если случится инцидент, есть понятный набор инструкций, а на случай непредвиденных обстоятельств — поддержка коллег, готовых подстраховать. ❌ Миф 5. Гигантский энтерпрайз ✅ В Поиске не принято вмешиваться в организацию и подходы работы отдельной команды. Выбор архитектуры, как и выбор технологического стека, остаётся за командой разработки. Скорее есть высокоуровневые ограничения и рекомендации. Кандидат получает поддержку рекрутера и нанимающего менеджера на всех этапах найма, а после офера коллеги помогают с новыми задачами. Кстати, в бизнес-группе Поиска и Рекламных технологий несколько сервисов, один из них — Поиск с Нейро. Ребята создают системы для обработки и генерации данных и сейчас ищут себе бэкенд-разработчиков. Если давно думали попробовать себя в Яндексе, сейчас самое время. По ссылке — пожелания к кандидатам и детали этапов отбора.

🖥 В Python оператор break часто используется для раннего завершения цикла, но иногда его применение может привести к менее читаемому или запутанному коду. В этой статье мы рассмотрим альтернативы, которые помогут сделать ваш код чище и понятнее. ▪ Использование конструкции for/else: Если вам нужно выполнить дополнительное действие, когда цикл завершается без принудительного выхода, можно использовать блок else. В этом случае код внутри else выполнится только если цикл завершился «естественным образом», а не с помощью break. ▪ Флаговое управление циклом: Вместо использования break можно завести булевую переменную (флаг), которая будет сигнализировать, что условие для выхода выполнено. Это позволяет явно обозначить, когда цикл должен завершиться, делая логику более явной. ▪ Возврат из функции (return): Если цикл находится внутри функции, можно отказаться от break, просто завершив выполнение функции через return. Такой подход сразу возвращает результат и предотвращает дальнейшее выполнение кода, что зачастую упрощает логику. ▪ Использование исключений: В некоторых случаях, особенно когда требуется выйти из вложенных циклов, можно определить и выбросить специальное исключение. Этот метод позволяет аккуратно прервать выполнение нескольких уровней циклов, а затем обработать исключение в одном месте. Каждая из этих альтернатив может оказаться более подходящей в зависимости от контекста задачи. Применение таких методов помогает сделать код более предсказуемым, улучшает его поддержку и повышает читаемость. Попробуйте применить один из этих подходов в своём проекте и оцените, насколько он улучшает структуру вашего кода! 📌 Читать статью

Хотите получить много практики на реальных задачах, собрать портфолио и узнать как выглядит рабочий день аналитика? CEO Simulative и эксперт с большим опытом в аналитике, Андрон Алексанян организовал бесплатный интенсив, где вы будете решать реальные задачи, с которыми аналитики сталкиваются на работе На прямых эфирах вы сделаете: 🟠Анализ активности пользователей с помощью SQL 🟠Анализ маркетинговых активностей с помощью Python 🟠ABC анализ ассортиментной матрицы в Excel (уже прошел, но вам будет доступна запись) Во время эфиров вы узнаете много лайфхаков, а также будете получать полезные материалы для развития в аналитике на протяжении всего интенсива ❗️Знать Python и SQL не обязательно — все будем разбирать с нуля 🕗 Встречаемся на новом эфире уже сегодня, 20 марта в 19:00 по мск 😶Участвовать в бесплатном интенсиве

🌐 Maigret — это инструмент OSINT (разведки на основе открытых данных), который позволяет находить профили пользователей в более чем 2000 онлайн-сервисах на основе имени пользователя! 🌟 Он анализирует доступную информацию, такую как социальные сети, форумы и платформы, и создает отчет о найденных профилях. 🔐 Лицензия: MIT 🖥 Github @pythonl

🎁 Дарим доступ к курсам и замечательную литературу для подготовки к собесу и ! На этот раз мы разыграем целых 3 места на наших курсах и коллекцию очень полезных книг для подготовки к собеседованию. Условия участия максимально простые: 🔸 подписаться на Machine Learning 🔸 подписаться на Поступашки Победители рандомно получат доступы к курсам или одну из этих великолепных книг: — 40 алгоритмов, которые должен знать каждый программист на Python — Машинное обучение. Подготовка к сложному интервью — Путь инженера-программиста: развитие навыков для успешной карьеры — Математика для Data Science — Как быть успешным в Data Science. — Грокаем алгоритмы искусcтвенного интеллекта Итоги подведем 19 апреля в 19:00 при помощи бота, который рандомно выберет победителя. Всем удачи ❤️

🖥 Authentik — это система управления удостоверениями (IAM) с открытым исходным кодом, предназначенная для обеспечения аутентификации и авторизации пользователей в различных приложениях! 🌟 Она поддерживает единый вход (SSO), многофакторную аутентификацию (MFA) и интеграцию с популярными протоколами, такими как OAuth2, SAML и LDAP. Authentik используется для защиты веб-приложений и управления доступом на основе ролей. 🔐 Лицензия: CC BY-SA 4.0 🖥 Github

🌟 YOLOE — это усовершенствованная версия алгоритма обнаружения объектов, вдохновлённая классической архитектурой YOLO и разработанная командой THU-MIG. Архитектура YOLO (You Only Look Once) получила своё название благодаря подходу, при котором нейронная сеть анализирует всё изображение целиком за один проход, чтобы определить присутствие и расположение объектов. Это отличается от других методов, которые сначала выделяют потенциальные области с объектами, а затем отдельно классифицируют их, что требует нескольких обработок одного изображения YOLOE сохраняет принцип однократного взгляда на изображение для детекции объектов, но вносит архитектурные улучшения, направленные на повышение точности и эффективности модели. ▪ Ключевые отличия от классического YOLO: - Оптимизированная архитектура: В YOLOE внедрены новые подходы для более эффективной обработки признаков, что позволяет улучшить качество детекции без значительного увеличения вычислительных затрат. - Повышенная точность: Улучшенные модули и методы, такие как ре-параметризация отдельных блоков, способствуют более точному обнаружению объектов, включая мелкие и сложно различимые элементы. - Скорость и эффективность: YOLOE сохраняет высокую скорость инференса, делая его пригодным для задач в реальном времени, при этом обеспечивая конкурентоспособное соотношение производительности и точности. ▶️YOLOE требует в 3 раза меньших затрат на обучение по сравнению с YOLO-Worldv2, что делает процесс обучения более экономичным YOLOE представляет собой современное и улучшенное решение для задач детекции объектов, совмещающее лучшие стороны классического YOLO с новыми архитектурными подходами. 🖥Github 🟡Статья 🟡HF 🟡Colab #yoloe #opensource #ml #ai #yolo #objectdetection

🖥 YT Navigator — это приложение на основе искусственного интеллекта, предназначенное для эффективного поиска и взаимодействия с контентом YouTube-каналов. Оно позволяет пользователям выполнять семантический поиск по видео, получать точные временные метки и извлекать информацию из часов видеоматериалов за считанные секунды. 📌 Основные функции YT Navigator: Семантический поиск: Возможность находить релевантные сегменты видео с точными временными метками на основе естественных языковых запросов. Интерактивное общение: Пользователи могут "общаться" с содержимым канала, получая ответы на вопросы, основанные на транскриптах видео. Экстракция информации: Быстрое извлечение ключевой информации из большого объёма видеоконтента, что экономит время и усилия при анализе материалов. Преимущества использования YT Navigator: Экономия времени: Быстрый доступ к конкретной информации без необходимости просмотра длительных видеороликов. Удобство: Интуитивно понятный интерфейс и мощные функции делают процесс поиска и анализа видеоконтента более эффективным. YT Navigator особенно полезен для исследователей, аналитиков и всех, кто работает с большими объёмами видеоданных, предоставляя инструменты для быстрого и точного анализа контента. 📌 Github

⚡️ pandas-ai — это open-source библиотека, позволяющая интегрировать возможности искусственного интеллекта в работу с DataFrame библиотеки pandas. ▪ Интеграция ИИ с pandas: Проект позволяет задавать вопросы на естественном языке относительно ваших данных в DataFrame и получать интерпретируемые ответы, используя крупные языковые модели (LLM). ▪ Удобство анализа: С помощью pandas-ai вы можете автоматически получать анализ данных, визуализации и статистические выводы без написания сложного кода. ▪ Гибкость и расширяемость: Библиотека легко настраивается и интегрируется с различными моделями и API, что делает её полезной для быстрого прототипирования и разработки аналитических приложений. Таким образом, pandas-ai интересен разработчикам и аналитикам, которые хотят объединить возможности ИИ с традиционным анализом данных для автоматизации и упрощения рабочих процессов. ▪Github

🖥 python-genai — это официальный SDK на Python от Google, предназначенный для интеграции генеративных моделей Google AI в приложения! 💡 Основные возможности включают генерацию текста, настройку моделей с помощью системных инструкций, параметры генерации (например, температуры, длины вывода), а также встроенные механизмы безопасности. SDK поддерживает удобную работу с параметрами через словари или модели Pydantic. Также предусмотрена интеграция с пользовательскими функциями для обработки результатов или вызова API. 🔐 Лицензия: Apache-2.0 🖥 Github @pythonl

Как ускорить Python-код, выжать максимум из AI и не попасть в ловушки импорта? Подробно разберут на Podlodka Python Crew, где обсуждают практические аспекты и инструменты. 🔹Что за конференция? Podlodka Crew — это серии IT-конференций с упором на прикладные знания. Все сессии проходят онлайн, в удобное время утром и вечером, так что легко совмещать с работой. 🔹Что в программе? 🦾 AI для самых ленивых — как делегировать задачи нейросетям и повысить продуктивность (Никита Замулдинов, Сбер) ⚡Python медленный, Rust быстрый — как писать Python-библиотеки на Rust и интегрировать через PyO3 (Данил Ахтаров) 🖥 Vim, VSCode, PyCharm — кто победит? — обсуждают топовые разработчики из Райффайзена, Яндекса и Контура 🔥Фейлы на проде — открытый микрофон для самых запоминающихся ошибок и решений Главный фокус — применимость знаний. После конференции вам не придется гадать, что делать с информацией: сразу берите и внедряйте. 📅 Даты: 17 - 21 марта 2025 года 🎟 Билеты и подробности: https://podlodka.io/pythoncrew А промокод собщества pro_python4 дает скидку в 500р🥳

🌟 EuroBERT: энкодеры нового поколения. Исследовательская группа под патронажем Centrale Supélec (Университет Париж-Сакле) выпустила в открытый доступ EuroBERT — семейство мультиязычных энкодеров, обученных на 5 трлн. токенов из 15 языков, включая русский. EuroBERT сочетает инновационную архитектуру с поддержкой контекста до 8192 токенов, что делает это семейство идеальным для анализа документов, поиска информации, классификации, регрессии последовательности, оценки качества, оценки резюме и задач, связанных с программированием, решением математических задачи. В отличие от предшественников (XLM-RoBERTa и mGTE), EuroBERT объединил GQA, RoPE и среднеквадратичную нормализацию, чтобы достичь беспрецедентной эффективности производительности даже в сложных задачах. Второе немаловажное преимущество EuroBERT - в обучение помимо текстовых данных были включены примеры кода и решения математических задач. Самая младшая модель EuroBERT с 210 млн. параметров показала рекордные результаты: в тесте MIRACL по многоязычному поиску её точность достигла 95%, а в классификации отзывов (AmazonReviews) — 64,5%. Особенно выделяется умение работать с кодом и математикой — в бенчмарках CodeSearchNet и MathShepherd EuroBERT опережает аналоги на 10–15%. ▶️Состав релиза: 🟢EuroBERT-210М 🟢EuroBERT-610М 🟢EuroBERT-2.1В ⚠️ EuroBERT можно использовать непосредственно с transformers, начиная с версии 4.48.0 ⚠️ Для достижения максимальной эффективности, разработчики рекомендуют запускать EuroBERT с Flash Attention 2 ▶️ Пример инференса:

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_id = "EuroBERT/EuroBERT-210m"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id, trust_remote_code=True)

text = "The capital of France is <|mask|>."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)

# To get predictions for the mask:
masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
predicted_token_id = outputs.logits[0, masked_index].argmax(axis=-1)
predicted_token = tokenizer.decode(predicted_token_id)
print("Predicted token:", predicted_token)
# Predicted token:  Paris

📌Лицензирование: Apache 2.0 License. 🟡Статья 🟡Коллекция на HF 🟡Arxiv 🖥GitHub (Скоро) @ai_machinelearning_big_data #AI #ML #Encoder #EuroBERT

Цикл While без выхода из него в реальной жизни 😅 @pro_python_code

💼 Создание аудиокниги с Python

Машинное и глубокое обучение ОНЛАЙН-УЧЕБНИК Виктор Владимирович Китов Учебник содержит выжимку основных материалов на основе читаемых автором курсов на факультете вычислительной математики и кибернетики (ВМК) в МГУ им. М.В.Ломоносова, а также в магистратуре Т-Банка для студентов МФТИ. Этот онлайн-учебник посвящен увлекательной, перспективной и бурно развивающейся теме машинного обучения (machine learning) и глубокого обучения (deep learning), позволяющей наделять компьютерные программы возможностью принимать сложные интеллектуальные решения, автоматически настраиваемые по наблюдаемым данным. В первой части учебника (машинное обучение) рассматриваются основные задачи и понятия машинного обучения, методы их решения, оценка качества результатов и способы интерпретации моделей машинного обучения. Во второй части (глубокое обучение) изучаются нейронные сети, способы их эффективной настройки и архитектуры для решения различных задач. Цель учебника состоит в том, чтобы предоставить образовательные материалы в открытый доступ для широкого круга читателей, как совсем не знакомых с областью, так и имеющих в ней некоторый опыт. Описание даётся как на интуитивном уровне, так и используя математические выкладки, поэтому предполагается знакомство читателя с основами математического анализа, теории вероятностей и математической статистикой. За исключением основ высшей математики, учебник полностью самодостаточный. Предварительного знакомства читателя с машинным обучения не требуется, поскольку в учебнике описывается весь цикл разработки моделей от постановки задачи и подготовки данных до оценки качества прогнозов и интерпретации результатов. Для обратной связи по сайту, материалам и общим вопросам пишите на deepmachinelearning@yandex.ru. С правами использования материала учебника вы можете ознакомиться в разделе лицензия. Разработка и систематизация материалов поддержана грантом некоммерческого фонда развития науки и образования «Интеллект». 📓 Ссылка на книгу