58174
Всё самое интересное из мира Python Связь: @devmangx РКН: https://clck.ru/3GMMF6
Будь ленивым разработчиком 😴😴😴
Лучшие разработчики — не те, кто пишет больше всего кода. Это те, кто пишет минимум кода и при этом решает задачу быстрее, качественнее и надёжнее.
Это избыточный подход:
transposed = []
for i in range(len(matrix[0])):
row = []
for r in matrix:
row.append(r[i])
transposed.append(row)
transposed = list(zip(*matrix))
collections.defaultdict вместо ручных проверок
Используй f-строки Python и спецификаторы форматирования, чтобы быстро и на скорую руку собирать таблицы:
d = {'a':10, 'bcd': 2, 'e': 3456}
for key, value in d.items():
print(f'{key:.<5}{value:.>5}')a.......10
bcd......2
e.....3456
Нужно обнулить время (до полуночи) в серии datetime в Pandas — используется dt.normalize:
df['x'].dt.normalize()
00:00:00.
f-строки в Python:
* Перед строкой ставится f
* Возвращается обычная строка
* Выражения в {} вычисляются и подставляются
x = 5
y = 7
f'{x} + {y} = {x+y}' # 5 + 7 = 12
x = [1, 2]
y = [3, 4]
f'{x} + {y} = {x+y}' # [1, 2] + [3, 4] = [1, 2, 3, 4]
Не усложняй методы startswith и endswith.
Когда нужно проверить, начинается ли строка с одного из нескольких вариантов, не используй цикл — передай кортеж, и метод сам проверит совпадение с любым из значений в кортеже.
user_string = input()
starts = ('One', 'Two', 'Three')
# Переусложнённо
for s in starts:
if user_string.startswith(s):
# Сделать что-то и выйти
break
# Чистый вариант
if user_string.startswith(starts):
# Сделать что-то
Если видишь одну и ту же переменную по обе стороны and, обрати внимание на этот синтаксический сахар:
x, y, z = 20, 15, 3
# Традиционный способ с 'and'
if x > y and y > z:
...
# Питоничный способ — цепное сравнение
if x > y > z:
...
У вас больше не будет возможности попасть в ШАД в этом году.
Школа анализа данных от Яндекса — бесплатная двухлетняя программа по машинному обучению, Data Science, анализу данных и ИИ. Внутри — сильная база, практические задачи из индустрии, преподаватели из Яндекса и мощное комьюнити.
Поступить можно по двум трекам: классическому, где нужно пройти 3 этапа отбора, и альтернативному — для специалистов с опытом.
Учиться можно офлайн, гибридно или онлайн. Отбор сложный, но ваша карьера вас точно поблагодарит.
Анкету нужно подать до 3 мая включительно. По этой ссылке
Чёрт… хакеры это точно оценят.
Кто-то выложил в опенсорс универсальный тулкит для взлома, который объединяет все основные инструменты пентеста в одно CLI-меню.
Ставишь один раз — и сразу получаешь доступ к инструментам из всех категорий: анонимность, сбор информации, атаки на беспроводные сети, подбор паролей, сканирование веба, фреймворки эксплуатации, генерация полезной нагрузки и т.д.
Называется HackingTool.
→ Одно меню запускает Tor, Anonsurf, Macchanger и цепочки прокси за секунды
→ Включает Nmap, Dracnmap, RED HAWK и ReconSpider для полной разведки сети
→ Содержит SQLMap, XSStrike, WPScan и SecretFinder для эксплуатации веба
→ Есть John the Ripper, Hashbuster и BruteX для атак на пароли
51K звёзд. Работает на любом Linux-дистрибутиве.
Полностью опенсорс.
👉 @PythonPortal
F = q(E + v \times B)
Наблюдать, как сила Лоренца из абстракции из учебника превращается в 30 000 об/мин в реальном времени — чистый дофамин.
В какой-то момент поток магнитного поля уже воспринимается как физическое размытие.
Большинство видит «крутящуюся игрушку», но по факту это векторное произведение скорости и магнитного поля, дающее силу, создающую момент на якоре. Это и есть практическое проявление уравнений Максвелла — не формулы, а реальная физика в работе.
Это демонстрация базового принципа работы коллекторных электродвигателей постоянного тока.
👉 @PythonPortal
Райан — лучший, делает божью работу
👉 @PythonPortal
Совет на 2026 год — переходите в ML.
Пока обычные разрабы конкурируют с ИИ-копилотами, ML-инженеры эти самые нейронки создают.
В эпоху нейростей это самые востребованые люди в мире программирования. Зарплаты мидлов начинаются от 250 000 ₽, а у сеньоров в BigTech доходят до 700 000 ₽.
А чтобы освоить его всего за 4 месяца без лишней суеты — изучите канал Артема Алехина.
Его бэкграунд: Руководитель команды в Сбере, валютная удаленка. К 22 годам вышел на доход 1 000 000+ ₽ в месяц.
На канале вы найдёте:
— Всё про самые востребованные стеки(Python, ИИ-агенты, NLP) и почему математика — это не страшно, если учить только нужное.
— Как оформить резюме, чтобы оно пролетало через любые LLM-фильтры и ATS-системы прямо к тимлидам.
— Скрипты переговоров, которые помогли его ученикам прыгнуть с 0 до 360к всего за 8 месяцев.
Во времена острой нехватки ML-разработчиков, это лучшее время, чтобы перекатиться. Переходи и изучай: /channel/+w33eYYK1a2kwOWI6
HTML заходит в 3D? Или наоборот?
С новым HTML in Canvas от WICG теперь можно напрямую размещать нативные DOM-элементы внутри сцен WebGL / WebGPU. Пока это экспериментальная фича, но потенциал для 3D-интерфейсов и визуальных эффектов значительный.
Этот демо-проект собран на Three.js и Omma AI (инструмент от Spline). Новый способ посмотреть, на что способен веб.
Интересно посмотреть демо?
👉 @PythonPortal
Hugging Face буквально собрали у себя все ключевые «секреты».
Важно разобраться в оценке больших языковых моделей.
> Пока ты работаешь с языковыми моделями:
> обучаешь или дообучаешь свои модели,
> выбираешь модель под задачу,
> или пытаешься понять текущее состояние области,
почти неизбежно возникает вопрос:
как понять, что модель хорошая?
> Ответ — оценка качества. Она везде:
> лидерборды с рейтингами моделей,
> бенчмарки, которые якобы меряют рассуждения,
> знания, кодинг или математику,
> статьи с заявленными новыми лучшими результатами.
Но что такое оценка на самом деле?
И что она реально показывает?
Этот гайд помогает во всём разобраться.
О чём вообще оценка моделей
Базовые понятия больших языковых моделей для понимания оценки
Оценка через готовые бенчмарки
Создание своей системы оценки
Главная проблема оценки
Оценка свободного текста
Статистическая корректность оценки
Стоимость и эффективность оценки
Sentrux измеряет архитектуру кодовой базы в реальном времени.
Что делает:
→ Оценивает «здоровье» архитектуры (0–10000)
→ Отслеживает модульность, циклические зависимости, глубину, равномерность, избыточность
→ Работает за миллисекунды (Rust + tree-sitter, 52 языка)
→ Отдает фидбек, пока агенты пишут код
Как работает:
→ scan / rescan анализируют структуру
→ check_rules применяет ограничения
→ evolution отслеживает изменения во времени
→ Правила лежат в .sentrux/rules.toml (связность, слои, циклы)
Экспонируется как MCP-сервер:
→ Агенты получают живой структурный фидбек прямо в процессе сессии
Вместо:
code → review позже
Получаешь:
code → оценка → исправление (внутри цикла)
https://github.com/sentrux/sentrux
👉 @PythonPortal
Теперь можно искать по PDF на 500 страниц без чанкинга и без векторизации.
Андрей Карпати недавно озвучил идею:
что если база знаний работает как вики, а не как векторная база?
OpenKB — open-source CLI, построенный вокруг этой концепции.
Он компилирует сырые документы в структурированную связанную вики-систему с помощью LLM.
Знания накапливаются, а не пересобираются при каждом запросе.
В классическом RAG контекст каждый раз восстанавливается заново. Здесь модель опирается на уже построенную структуру.
Длинные PDF разбираются через PageIndex — древовидный индекс без векторов, который позволяет рассуждать по структуре документа.
Что получается на выходе:
> авто-суммаризация и страницы концептов
> кросс-ссылки между документами
> детект противоречий и пробелов
> режим наблюдения за изменениями
> markdown, совместимый с Obsidian
Поддерживаются PDF, Word, PowerPoint, Excel, HTML и изображения.
Таблицы и фигуры извлекаются нативно.
Один новый файл может автоматически обновить до 15 страниц в вики.
База знаний начинает сохранять то, что уже было выучено.
https://github.com/VectifyAI/OpenKB
👉 @PythonPortal
Нужно округлить даты/время в Pandas:
* dt.floor — вниз (к предыдущему интервалу)
* dt.ceil — вверх (к следующему интервалу)
* dt.round — к ближайшему интервалу
Пример:
s.dt.floor('3h') # предыдущий 3-часовой слот
s.dt.ceil('15m') # следующий 15-минутный слот
s.dt.round('1D') # ближайшие сутки
Хотите освоить анализ данных, но не знаете, с чего начать?
Центр непрерывного образования ФКН НИУ ВШЭ запускает онлайн-программу профессиональной переподготовки «Практический анализ данных» — полный цикл обучения от нуля до уровня практикующего аналитика.
Что вас ждет:
🟣Python для автоматизации и анализа данных: от первых строк кода до Pandas и визуализации
🟣SQL на продвинутом уровне: оконные функции, индексы, партиционирование, оптимизация запросов
🟣Прикладная статистика и A/B-тестирование: проверка гипотез, планирование экспериментов, работа с малыми выборками
🟣Основы машинного обучения: регрессия, классификация, кластеризация
🟣Дашборды в Tableau и Yandex DataLens
🟣Продуктовая аналитика: метрики, сегментация, приоритизация гипотез
🟣Хранилища данных: архитектура DWH, Hadoop, Spark, ETL, Airflow
Преподаватели — практикующие специалисты из Wildberries, Вкусно — и точка и других компаний. По окончании вы получите диплом о профессиональной переподготовке НИУ ВШЭ.
📁 Старт: 12 мая.
Подробнее о программе 📍
Твой ПК скоро станет по-настоящему «умным».
Aiden — это полноценная ИИ-операционная система, которая работает на 100% локально на Windows или Linux:
- 1500+ компонуемых навыков
- 89+ автономных инструментов
- Управляет мышью, клавиатурой, экраном и приложениями (по сути как JARVIS)
- 6-слойная память + граф знаний
- Рой сабагентов, работающих параллельно
- Голос + каналы (Discord, Telegram, WhatsApp…)
Всё офлайн через Ollama.
Без аккаунтов.
Без телеметрии.
Без отправки данных в облако.
Это не чат-бот — это ассистент, который живёт внутри твоей машины.
Будущее персонального ИИ уже здесь, и оно с открытым исходным кодом.
👉 @PythonPortal
Если тебе нужны 3+ вложенных цикла — остановись и отрефактори.
Глубокую вложенность лучше избегать: такой код сложнее читать и поддерживать.
Цель всегда одна — читаемость и поддерживаемость.
Если ловишь себя на глубокой вложенности, остановись и подумай, можно ли сделать это понятнее. Использование библиотеки часто будет лучшей альтернативой.
👉 @PythonPortal
Использую Claude Opus 4.7, чтобы отцентрировать div
GitHub-репозитории, чтобы прокачать Python
- Веб-разработка с Django — https://github.com/django/django
- Инструментарий для Data Science — https://github.com/rasbt/python-machine-learning-book
- Алгоритмические задачи — https://github.com/TheAlgorithms/Python
- Рецепты машинного обучения — https://github.com/ageron/handson-ml2
- Лучшие практики тестирования — https://github.com/pytest-dev/pytest
- Скрипты для автоматизации — https://github.com/soimort/you-get
- Продвинутые концепции Python — https://github.com/faif/python-patterns
MIT сделал ход, который ставит под сомнение ставки индустрии на рост контекстного окна.
Они решили проблему памяти не увеличением «окна», а сменой модели работы с данными.
Проблема.
У любой модели есть предел — контекстное окно. При его переполнении возникает деградация качества: факты теряются, связи между частями текста исчезают, ответы становятся хуже.
Это называют «деградацией контекста».
Что делали раньше.
RAG (генерация с извлечением):
- документ режется на чанки
- хранится во внешнем хранилище
- перед запросом извлекаются «релевантные» куски
Проблемы:
- извлечение делает предположение до чтения
- ошибки в выборе → модель не видит нужные данные
- связи между частями документа разрушаются
Подход MIT.
Документ не помещается в контекст вообще.
Он хранится вне модели, например как переменная.
Модели сообщается, что данные существуют и как к ним обращаться.
Дальше модель:
- пишет код для поиска
- использует регулярные выражения
- извлекает нужные фрагменты
- подгружает только релевантные части
Ключевой момент.
Обработка становится рекурсивной:
- модель находит релевантные участки
- запускает подзадачи (сабагенты) для их анализа
- агрегирует результат
Нет сжатия, нет потерь, нет переполнения контекста.
Результаты.
- обработка до ~10 млн токенов
- значительный прирост качества на задачах с длинным контекстом
- стоимость сопоставима с обычными запросами
Вывод.
Фокус смещается:
не «сколько текста держать в голове»,
а «как эффективно к нему обращаться».
Модель начинает работать как разработчик с доступом к данным:
поиск → извлечение → анализ → агрегация.
Ссылки:
- Статья: http://arxiv.org/abs/2512.24601
- Код: http://github.com/alexzhang13/rlm
👉 @PythonPortal
Разработчик на Rust фактически «убил» Headless Chrome.
Проект называется Obscura — браузер без графического интерфейса с открытым исходным кодом, изначально заточенный под ИИ-агентов и масштабный скрейпинг.
Chrome vs Obscura:
- Память: 200MB+ → 30MB
- Бинарник: 300MB+ → 70MB
- Загрузка страницы: 500ms → 85ms
- Старт: 2s → мгновенно
- Антидетект: отсутствует → встроен
Один бинарник. Без Node, без Chrome, без зависимостей.
Стелс-режим:
→ Рандомизация отпечатка на каждую сессию (GPU, canvas, аудио, батарея)
→ 3 520 трекер-доменов заблокированы по умолчанию
→ navigator.webdriver замаскирован под реальный Chrome
→ Маскирование нативных функций, чтобы детекторы не могли их определить
Подменяет Puppeteer и Playwright через протокол отладки Chrome. Без изменений кода.
Если используются агенты или серьёзный скрейпинг в масштабе — репозиторий даёт прямую выгоду.
Полностью open source.
👉 @PythonPortal
Набор из 54 компонентов анимации загрузки в терминальном стиле для React Native и Expo, реализованных полностью на тексте без нативных зависимостей.
Разделены на четыре категории: Braille, ASCII, стрелки и Emoji. Работают только на Text и setInterval, без использования нативных модулей. Можно просто скопировать нужный компонент из src/components/spinners — подходит для сценариев вроде стриминга вывода ИИ-агентов, интерфейсов в стиле CLI и подобных задач. ❤️❤️
👉 @PythonPortal