Python вопросы с собеседований

✔️ Математика в машинном обучении» - бесплатный курс, который предназначен для тех, кто хочет углубить свои знания в области математики, необходимой для понимания и применения методов машинного обучения и искусственного интеллекта. Этот курс охватывает ключевые математические концепции, лежащие в основе современных алгоритмов машинного обучения, таких как линейная алгебра, теория вероятностей, статистика и оптимизация. Курс

🔮 GENIE: Легкий движок синтеза речи на базе GPT-SoVITS GENIE — это легкий движок для синтеза речи, который использует возможности GPT-SoVITS. Он предлагает высокую производительность на CPU, включая интеграцию TTS, конвертацию моделей ONNX и API сервер для удобного использования. 🚀 Основные моменты: - Поддержка моделей GPT-SoVITS V2 - Оптимизирован для быстрого синтеза на CPU - Включает предустановленные голосовые модели для мгновенного использования 📌 GitHub: https://github.com/High-Logic/Genie #python

Хотите вкатиться в ML или DS с нуля? Сегодня стартует курс «Machine Learning. Basic» от OTUS! Это обучение — ваш шанс овладеть востребованными навыками и начать карьеру в области, которая меняет мир технологий. На курсе вы: - Освоите Python для Data Science с нуля до профессионального уровня. - Научитесь работать с ML-библиотеками: pandas, numpy, sklearn, и применять их для решения реальных задач. - Освоите A/B-тестирование - Научитесь решать реальные бизнес-задачи при помощи методов машинного обучения от задач классификации до ансамблей моделей ➡️ Осталось совсем немного времени, присоединяйтесь к курсу. Успейте по максимально выгодной цене месяца + примените дополнительный промокод ML_BASIC_5: https://tglink.io/0d47053e2e96?erid=2W5zFHhReek #реклама О рекламодателе

🚀 CUDA Kernel Benchmarking Made Easy robust-kbench предоставляет мощный набор инструментов для оценки и валидации CUDA-ядров, созданных с помощью больших языковых моделей. Он решает проблемы традиционных бенчмарков, предлагая надежные критерии оценки и проверку корректности. 🚀Основные моменты: - Многочисленные настройки инициализации для более точной оценки - Проверка корректности с учетом различных конфигураций входных данных - Профилирование производительности для реальных сценариев - Защита от манипуляций входными данными 📌 GitHub: https://github.com/SakanaAI/robust-kbench #python

IT_ONE Cup. Code & Analyst — хакатон для аналитиков и разработчиков, где ты узнаешь, как работает IT-команда, и получишь сильный кейс в портфолио. Выбери трек и реши одну из задач: → Проанализируй BPMN-модель кредитного процесса и подготовь ТЗ на систему мониторинга эффективности. → Разработай сервис, который в реальном времени следит за переводами и оповещает о подозрительных операциях. 🏆 Призовой фонд: 900 000 рублей 💻 Формат: онлайн 🗓 Регистрация до 16 октября: https://cnrlink.com/itonecupmsupjint Приглашаем системных аналитиков, разработчиков и менеджеров проектов. Размер команды — от 1 до 5 человек. Что тебя ждёт: • Применишь навыки системного анализа, построения архитектуры и работы с потоковыми данными. • Получишь готовый проект в портфолио. • Для участников ТОП-5 команд в каждом треке — фирменный мерч. Задачи соревнования: Трек 1. Навигатор оптимизации. Проанализируй кредитный процесс банка, выяви узкие места и создай ТЗ для системы мониторинга производительности. Решение поможет оптимизировать критически важные процессы. Трек 2. Финансовый радар. Разработай сервис для анализа транзакций в реальном времени. Архитектура должна включать правила обнаружения мошенничества и поддержку различных алгоритмов обработки. Ждём тебя на IT_ONE Cup. Code & Analyst — старт 17 октября на Codenrock: https://cnrlink.com/itonecupmsupjint

🖥 Полный гайд по реальным SQL-вопросам с собеседований Введение. Собеседования на позиции, связанные с данными (аналитики, инженеры, ученые данных), всё чаще включают нестандартные и продвинутые вопросы по SQL. Большие технологические компании (Google, Amazon и др.) предъявляют высокие требования: важна не только правильность запроса, но и умение оптимизировать его и разбираться в реальных бизнес-данных. В этом гайде мы разберем категории наиболее распространенных сложных SQL-задач с реальных собеседований – от платформ вроде DataLemur, LeetCode, StrataScratch – и подробно поясним решения. Каждая задача сопровождена анализом: условие, оптимальный подход, используемые SQL-конструкции, возможные ошибки и финальное решение (для PostgreSQL и MySQL, с указанием различий где необходимо). В конце добавлен отдельный раздел о современных базах данных, включая векторные БД (Pinecone, Weaviate, Milvus и др.), с примерами того, что могут спросить про них на собеседовании и как выглядят SQL-подобные запросы для работы с векторами. 📌 Читать гайд

Регистрация подходит к концу — не пропусти AIDAO, международную олимпиаду по ИИ и анализу данных от Яндекс Образования и ФКН НИУ ВШЭ Главные призы: 1 млн рублей и преимущества при поступлении в магистратуры ФКН ВШЭ. — Задачи с реальными данными — Два этапа: онлайн и финал в офлайне, в Москве. — Общение с экспертами и сотрудниками научных лабораторий, возможность стать частью международного комьюнити студентов. 🚀 Собирайте команду и регистрируйтесь по ссылке до 30 сентября

🔥 Продвинутый Python-трюк для работы с сетями: асинхронные запросы через asyncio + aiohttp Когда нужно сделать десятки или сотни запросов к API или сайтам, обычный requests становится узким местом. Асинхронный подход позволяет обрабатывать множество соединений параллельно и резко ускоряет работу.

import asyncio
import aiohttp

urls = [
    "https://example.com",
    "https://httpbin.org/get",
    "https://api.github.com"
]

async def fetch(session, url):
    async with session.get(url) as resp:
        return url, await resp.text()

async def main():
    async with aiohttp.ClientSession() as session:
        tasks = [fetch(session, url) for url in urls]
        for result in await asyncio.gather(*tasks):
            print(f"✅ {result[0]} → {len(result[1])} символов")

asyncio.run(main())

📌 Что это даёт ⚡️ Сотни запросов обрабатываются почти одновременно 📉 Меньше блокировок — больше пропускная способность 🔧 Легко масштабируется для парсеров, мониторинга сервисов, чатов и API-интеграций 🔥 Этот приём используют в реальных продакшн-системах, где нужно работать с большим количеством сетевых соединений.

🔍Тестовое собеседование на Middle Python в четверг с разработчиком из Авито 25 сентября(в четверг) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

🚀 Python Pro совет Хотите красиво печатать JSON прямо в терминале? Необязательно ставить внешние утилиты — всё есть в стандартной библиотеке:

# Форматирование JSON из файла
python -m json.tool data.json

# Или из пайплайна
cat data.json | python -m json.tool | less

💡 Очень удобно, когда нужно быстро проверить структуру или отладить API-ответ. Можно добавить | jq для ещё более гибкой фильтрации.

🔍 Marker — инструмент от Datalab.to, который быстро и точно превращает документы в Markdown + JSON Что умеет Marker: - Поддержка PDF, изображений, PPTX, DOCX, XLSX, HTML, EPUB и др. - Форматирует таблицы, формы, уравнения, математические выражения, ссылки, кодовые блоки. - Извлекает изображения из документов. - Убирает колонтитулы, заголовки, другие артефакты форматирования. - Есть бета-версия для “структурированного извлечения” на основе схемы JSON. - Можно включить LLM-модуль, чтобы повысить точность в сложных местах (например, объединение таблиц, корректное форматирование). Преимущества: - Быстрота + точность по сравнению с конкурентами (Mathpix, Llamaparse и др.). - Работает и без LLM, но с флагом --use_llm становится ещё лучше. - Можно запускать локально, на серверах, GPU / CPU, использовать параллельную обработку. Ограничения и нюансы: - Сложные макеты и вложенные таблицы / формы ещё не всегда обрабатываются идеально. - Иногда требуется OCR, особенно если PDF плохо “разложен” на текст. Кому полезно: - Тем, кто работает с научными статьями, отчётами, бухгалтерскими документами, презентациями и хочет автоматизировать преобразование в читаемый формат. - Для RAG-pipelines, документации и любых задач, где надо извлечь структуру и контент. https://github.com/datalab-to/marker

🐍 Ещё один небанальный Python-совет В Python можно использовать __enter__ и __exit__, чтобы превратить объект в контекстный менеджер — даже для вещей, которые обычно так не используют. Например: автоматически замерять время выполнения блока кода:

import time

class Timer:
    def __enter__(self):
        self.start = time.time()
        return self
    def __exit__(self, *args):
        print(f"⏱ Время выполнения: {time.time() - self.start:.4f} c")

with Timer():
    sum([i**2 for i in range(10_000_000)])

👉 Теперь любой код внутри with Timer(): автоматически измеряется. Этот приём удобно применять для логирования, отката транзакций или даже временной подмены настроек.

🖥Как у вас с Django? Чтобы отвечать на этот вопрос «изи», рекомендуем Яндекс Лицей и его программу «Веб-разработка на Django». Он для учащихся школ и колледжей. Почему рекомендуем: ✔️Подход: первые пару месяцев лекции + практика, начиная с третьего — командный проект. ✔️Глубина: будете сами создавать веб-приложения и сайты с нуля, разберётесь в тонкостях ввода от пользователей и верной проверки данных. ✔️Дополнительный бонус: после обучения получите именной сертификат, который может добавить баллы при поступлении в вузы-партнеры. Обучение бесплатное, но нужно пройти отбор до 23 сентября. 👉 Переходим и регистрируемся по ссылке

🚀 Индивидуальный IPython в Docker: советы от Frank Wiles Хочешь, чтобы твоя IPython-среда в Docker была настроена под тебя, но не мешала коллегам? Вот лёгкий и гибкий способ: 1. Используй IPYTHONDIR и Docker Compose: - В .env: IPYTHONDIR=/code/attic/ipython/ - В .gitignore: attic/ - В Docker Compose: подключай .env и твой проект как volume, чтобы IPython создавал конфигурацию в attic/ipython/profile_default/ :contentReference[oaicite:0]{index=0}. 2. Настройка по вкусу: - В ipython_config.py можно задать стиль редактирования (например, `c.editing_mode = "vi"`). - Автоматически импортируй часто используемые библиотеки через c.InteractiveShellApp.exec_lines = [...] или скрипты в папке startup/, пронумерованные по порядку загрузки :contentReference[oaicite:1]{index=1}. 3. Предзагрузка данных для удобной работы: Например, при работе с Django можно автоматически загрузить dev-данные. Скрипт 20-load-devdata-assignment.py внутри startup/ пытается получить объект Assignment и связанные с ним данные, делая работу в IPython удобнее :contentReference[oaicite:2]{index=2}. 4. Собственный инструмент для рутины: Автор реализовал класс URLFinder, который извлекает UUID из строки URL, красиво их отображает с помощью библиотеки rich — и позволяет получить нужный UUID по индексу (`ids(0)`, ids(1) и т.п.) :contentReference[oaicite:3]{index=3}. Вывод: Настройка IPython в Docker — это просто, удобно и лично. И это не навязывает изменения команде. Даже маленький инструмент вроде URLFinder может существенно упростить рутину. Опубликовано 19 августа 2025 года автором Frank Wiles, основателем REVSYS и бывшим президентом Django Software Foundation . Если хочешь, могу добавить краткий пример docker-compose.yaml или показать фрагмент скрипта URLFinder — скажи! https://frankwiles.com/posts/customize-ipython-docker/ -

👩‍💻 Пример скачивания Yotube-видео по ссылке с помощью библиотеки Pytube! @python_job_interview

🚀 Умная система мониторинга Alerta Alerta — это масштабируемый инструмент мониторинга, который легко настраивается и принимает оповещения из различных источников. Он предлагает быструю визуализацию данных с возможностью глубокого анализа. 🚀 Основные моменты: - Масштабируемая архитектура - Минимальная конфигурация - Поддержка MongoDB и PostgreSQL - Удобная веб-консоль для визуализации - Легкая интеграция с облачными платформами 📌 GitHub: https://github.com/alerta/alerta #python

✔️ OpenAI выпустила Codex-CLI 0.36 с новым GPT-5-Codex Теперь система динамически выбирает время «размышлений»: на простые запросы отвечает почти мгновенно, а на сложных проектах может работать часами — вплоть до 7 часов подряд, выполняя рефакторинг, исправляя ошибки и доводя решение до финала. Одним из главных нововведений стала функция codex resume, позволяющая возобновлять старые сессии. Также обновили интерфейс: появилось анимированное онбординг-руководство, улучшены отображение статусов и обработка прерываний. Важным изменением стала и новая система авторизации с более надёжной работой API-ключей и кастомных провайдеров. По производительности GPT-5-Codex показывает заметный скачок. На бенчмарке SWE-bench модель набирает 74,5%, обгоняя GPT-5 high. На внутренних тестах по рефакторингу результат вырос с 34% до 51%, что говорит о серьёзном улучшении качества работы с большими кодовыми базами. OpenAi ✔️ Релиз TimesFM 2.5 от Google Google Research представила TimesFM 2.5 — обновлённую версию Time Series Foundation Model для прогнозирования временных рядов. В версии 2.5 разработчики улучшили точность по сравнению с 2.0 и значительно расширили максимальную длину контекста, что позволяет обрабатывать более сложные и длинные временные зависимости. Особое достижение — первое место в рейтинге GiFT-Eval: TimesFM 2.5 заняла лидирующую позицию сразу по всем метрикам среди zero-shot foundation-моделей, подтвердив статус одной из самых точных систем для анализа временных рядов. Github ✔️ OpenAI и Anthropic: инструменты используются по-разному и приносят разные результаты Согласно новому анализу от TipRanks, компании OpenAI и Anthropic показали, что их ИИ-инструменты применяются в существенно разных контекстах — и дают разные эффекты. OpenAI в основном используется для создания контента, разработки кода и поддержки творческих задач, где гибкость и масштабируемость — ключевые аргументы. Его модели помогают пользователям генерировать текст, автоматизировать рабочие процессы и решать задачи, требующие воображения и нестандартного подхода. Anthropic, напротив, чаще применяют в областях, где особенно важны точность, контроль бессознательных смещений и высокая надёжность — например, в юридических, медицинских или регулируемых средах. В таких сценариях делают упор на безопасность, на минимизацию ошибок и на возможность аудита и объяснений того, как пришёл к решению ИИ. Отчёт подчёркивает: разные компании и пользователи выбирают OpenAI или Anthropic не просто на основе производительности, но и в зависимости от ценностей — что важнее: скорость и творческий потенциал или строгие гарантии и прозрачность. Эксперты TipRanks полагают, что оба подхода — сильны в своих нишах. Поскольку спрос на ИИ-решения растёт, смешанные и гибридные модели применений, вероятно, станут всё более популярными: когда часть задач решается с помощью гибкого и креативного ИИ, а часть — с помощью инструментов повышенной эмпатии и осторожности. Отчет ✔️ Reve выпустили свой нейрофотошоп Reve представили AI-редактор изображений, который уже окрестили «текстовым фотошопом». В отличие от конкурентов, здесь почти нет цензуры, а ограничения на генерацию трудно заметить. Функция Image creator & remixer позволяет создавать и перерабатывать изображения на основе текстовых подсказок. Интерактивный drag-and-drop редактор даёт возможность перемещать, масштабировать и изменять объекты прямо мышкой — так, как в привычных графических редакторах. Вместо стандартного поля для ввода появился чат-ассистент, превращающий взаимодействие в диалог, что облегчает настройку и доработку картинок. Reve ✔️ Alphabet впервые достигла рыночной капитализации в $3 трлн Компании Alphabet, материнской структуры Google, впервые удалось преодолеть отметку в $3 трлн стоимости на бирже. Акции выросли на 4 % на фоне судебного решения по антимонопольному делу, по которому не потребовалось разделение бизнеса (Chrome и Android). Сильный рост показали облачная служба и заинтересованность инвесторов в AI-продуктах, особенно модели Gemini. Новость @ai_machinelearning_big_data #news #ai #ml

⚡️ Depyler — транспилятор Python → Rust, созданный для высокой производительности и энергосбережения. Он переводит код Python в безопасный и быстрый Rust, снижая энергопотребление на 75–85%. Проект сделан без технического долга и соответствует строгим принципам качества (Toyota Way). Основные возможности Транспиляция ядра - Разбор Python AST и преобразование в HIR для безопасных трансформаций - Интеллектуальный вывод типов с поддержкой аннотаций - Автоматическая работа с памятью: владение и заимствование - Direct Rules Engine — перевод конструкций Python в Rust по шаблонам - Оптимизация строк — интернирование часто используемых литералов Производительность и эффективность - Энергопотребление на 75–85% ниже по сравнению с Python - Бинарная оптимизация: LTO, strip, panic=abort - Работа со строками без лишних копирований (через `Cow`) - Использование LLVM-бэкенда для агрессивной оптимизации - Авто-интернирование строк, встречающихся более 3 раз Безопасность и верификация - Property-based тестирование для проверки семантической эквивалентности - Анализ памяти: защита от use-after-free и гонок данных - Автовставка проверок границ при необходимости - Контрактное программирование: верификация предусловий и постусловий - Архитектура, готовая к формальной проверке (SMT) Интеграция ИИ - Поддержка MCP v1.0 (модель контекстного протокола) - Интерактивный AI-режим для подсказок в транспиляции - Рекомендации по аннотациям и оптимизации - Оценка сложности миграции Инструменты разработчика - Поддержка LSP (VSCode, Neovim и др.) - Отладка с сопоставлением исходников - Профилирование и оптимизация «горячих точек» - Автогенерация документации API из Python 🔗 Репозиторий: https://github.com/paiml/depyler

🖥 Гайд по собеседованию Python-разработчика (Middle) 2025 года В этом гайде собраны реальные и актуальные вопросы из интервью в крупных технологических компаниях и стартапах (Google, Amazon, Stripe, Booking и др.). Каждая тема разобрана через призму того, что именно проверяют интервьюеры, как лучше структурировать ответ и какие подводные камни важно учитывать. 👉 Гайд: https://uproger.com/gajd-po-sobesedovaniyu-python-razrabotchika-middle-2025-goda/

🚀 Автоматизация задач на Python за пару строк Вместо ручного запуска можно поручить Python выполнять действия по расписанию. Библиотека schedule делает это максимально просто 👇

import schedule
import time

def greet():
    print("⏰ Hello! Time to learn Python!")

schedule.every(5).seconds.do(greet)

while True:
    schedule.run_pending()
    time.sleep(1)

💡 Каждые 5 секунд скрипт будет выводить напоминание. Можно легко заменить на любое действие: запуск бэкапов, парсинг сайтов или проверку API.