50319
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
5 AI-проектов, которые помогут устроиться на работу в 2026:
1. RAG с нуля
GitHub: ссылка
2. AI-агент для соцсетей
GitHub: ссылка
3. Анализ медицинских изображений
GitHub: ссылка
4. Агенты с tool-calling через MCP
Ноутбук: ссылка
5. AI-ассистент с памятью
GitHub: ссылка
👉 @PythonPortal
Вот полный путь, который я бы рекомендовал, чтобы в этом году собрать production-grade AI-агентов:
▪️база по Python и алгоритмам
▪️математика и основы ML
▪️трансформеры и LLM
▪️prompt engineering
▪️memory и RAG
▪️tools и интеграции
▪️фреймворки типа LangChain или CrewAI
▪️multi-agent системы
▪️тестирование, деплой, безопасность
👉 @PythonPortal
λ-2D от Lingdong Huang: визуальный, нарисованный руками язык программирования.
👉 @PythonPortal
Изучи Python с Университетом University of Helsinki
✓ С официальным сертификатом
✓ С нуля до продвинутого уровня
✓ 14 частей с практическими заданиями
Весь контент доступен → здесь
👉 @PythonPortal
GitHub запустил свою платформу для обучения: все курсы и сертификаты в одном месте.
Git, GitHub, MCP, использование ИИ, VSCode и многое другое.
И большая часть контента бесплатна: → https://learn.github.com
👉 @PythonPortal
Истинная природа методов — это «специальные методы».
Про жизненный цикл инстанса.
▪️__init__object.__init__(self[, ...])
Думаю, как конструктор используется очень часто. В основном это инициализация экземпляра (например, инициализация атрибутов). Отличие от __new__, о котором ниже: __init__ выполняется уже после создания экземпляра.
Возвращаемое значение всегда None.
▪️ __new__object.__new__(cls[, ...])
В отличие от __init__, выполняется до создания экземпляра и отвечает именно за его создание. Поэтому это не инстанс-метод, а статический метод, но явно прописывать @staticmethod не нужно.
Возвращаемое значение должно быть созданным экземпляром (обычно это экземпляр класса из аргумента cls).
Типичное место применения __new__ это инициализация подклассов, которые наследуются от иммутабельных типов (int, str, tuple и т.д.). Они иммутабельные, поэтому после создания объекта нельзя менять атрибуты через __init__.
Ещё __new__ используют для реализации паттерна Singleton.
▪️ __del__object.__del__(self)
Вызывается в момент, когда экземпляр уничтожается (например, через del). Явных популярных кейсов немного, но может быть полезно при отладке, чтобы понимать тайминг работы GC.
👉 @PythonPortal
Вышел trackers v2.1.0. В этом релизе добавили поддержку ByteTrack — быстрого tracking-by-detection алгоритма, который держит стабильные ID даже при окклюзиях.
Ссылка: https://github.com/roboflow/trackers
pip install trackers
ML-инженеры держите: структурированный ML-справочник
Здесь нет курсов, нет лишней теории и длинных лекций, зато есть чёткие формулы, алгоритмы, логика ML-пайплайнов и аккуратно структурированная база знаний.
👉 @PythonPortal
Как не потеряться на старте автоматизации: понятный маршрут в Python-автотесты
🔺30 января
🔻13:00 (МСК)
Открытый вебинар «Python в автотестах: с чего начать правильно»
Регистрация по ссылке.
От студентов я знаю, как хаос в автоматизации мешает развитию QA.
Поэтому на вебинаре мы соберём всё в одну понятную схему:
💙с чего начать, а с чем можно не спешить
💙минимальный набор знаний и инструментов для первых автотестов
💙частые ошибки на старте и как их обойти
💙что делать после первых тестов: следующий шаг к проекту и резюме
После эфира останется ясный план: что делать дальше и в каком порядке.
Я Лена Янушевская, 8 лет в тестировании, прошла путь от manual до Senior Automation. Работала в Andersen, Admitad, Exness, сейчас в StockTrader.
Вебинар бесплатный, нужна регистрация. До встречи :)
Парень собрал офигенную систему подготовки к собесам по LeetCode: вытащил 400+ задач и разложил их по 90 паттернам.
В итоге получилась таблица на 360 задач, где видно не просто что нужно решать, а какой именно паттерн ты качаешь и чем он закрывается.
Знаю, LeetCode для новичков легко превращается в перегруз, особенно когда собесы уже рядом и вообще непонятно, на какие задачи делать упор. Blind 75/95 и похожие списки это нормальная точка входа, но давай честно: решить всего около 100 задач обычно недостаточно, чтобы уверенно закрывать топовые интервью.
Важно: задачи в листе взяты из реальных интервью за последние 6 месяцев (Google, Meta, Amazon, Uber). Этот подход помог закрыть собесы в Salesforce (два раза), Intuit, Microsoft и еще пару “середняков” за эти годы.
Кидаю сюда, вдруг кому-то сэкономит недели.
👉 @PythonPortal
Все вокруг говорят про Clawbot. Но что это такое?
Опенсорсный AI-ассистент, который:
✓ крутится на твоем компе или сервере
✓ с ним можно общаться через Telegram, WhatsApp, Discord...
✓ имеет реальный доступ к системе
✓ с памятью, и со временем становится лучше по мере общения
✓ совместим с Claude, GPT, Gemini, DeepSeek…
Чтобы поставить, достаточно выполнить:
curl -fsSL https://clawd.bot/install.sh | bash
clawdbot status, чтобы он предупреждал о проблемах безопасности (это не все, но хоть что-то), а потом clawdbot security audi
Датасаентисты сейчас нарасхват: данных для анализа стало слишком много.
В этом курсе Татев и Ваэ учат Python для Data Science.
Будете делать проекты и разбирать EDA, A/B-тесты, BI и другое.
Проходим бесплатно
👉 @PythonPortal
Математика искусственной нейронной сети:
👉 @PythonPortal
Разраб смотрит, как продакт занимается вайб-кодингом.
👉 @PythonPortal
Вот частое заблуждение про RAG
Когда говорят про RAG, обычно думают так: проиндексировали док → потом достали этот же док.
Но индексация ≠ ретривал.
То есть данные, которые ты индексируешь, не обязаны совпадать с теми данными, которые ты потом скармливаешь LLM на этапе генерации.
Вот 4 умных способа индексировать данные:
1) Chunk Indexing
▪️Самый распространенный подход.
▪️Режешь документ на чанки, строишь эмбеддинги и кладешь их в векторную базу.
▪️Во время запроса просто достаешь ближайшие чанки.
Подход простой и рабочий, но большие или шумные чанки могут просаживать точность.
2) Sub-chunk Indexing
▪️Берешь исходные чанки и дробишь их еще мельче на сабчанки.
▪️Индексируешь уже эти более мелкие куски.
▪️Но при выдаче все равно возвращаешь “большой” чанк для контекста.
Помогает, когда в одном абзаце/секции намешано несколько разных идей: шанс точно сматчиться с запросом выше.
3) Query Indexing
▪️Вместо сырого текста генеришь гипотетические вопросы, на которые, по мнению LLM, этот чанк может ответить.
▪️Эмбеддишь эти вопросы и сохраняешь.
▪️При ретривале реальные пользовательские запросы обычно лучше ложатся на такие “вопросные” представления.
▪️Похожая идея есть в HyDE, только там матчат гипотетический ответ с реальными чанками.
Кайфово для QA-систем, потому что уменьшает семантический разрыв между запросом пользователя и тем, что лежит в индексе.
4) Summary Indexing
▪️Просишь LLM кратко резюмировать каждый чанк в компактную семантическую форму.
▪️Индексируешь summary вместо исходного текста.
▪️А возвращаешь все равно полный чанк для контекста.
Особенно эффективно для плотных или структурированных данных (типа CSV/таблиц), где эмбеддинги сырого текста часто слабо что-то выражают
👉 @PythonPortal
pip 26.0: pre-release и фильтрация по времени загрузки
Три большие новые фичи:
▪️ --all-releases <package> и --only-final <package>: контроль pre-release по каждому пакету отдельно, плюс возможность отключить все pre-release пакеты через --only-final :all:
▪️ --uploaded-prior-to <timstamp>: можно ограничить по времени загрузки пакета, например --uploaded-prior-to "2026-01-01T00:00:00Z"
▪️ --requirements-from-script <script>: установка зависимостей, объявленных в inline metadata скрипта (PEP 723)
Куда более подробный пост: читать
Официальный анонс здесь
Полный changelog здесь
👉 @PythonPortal
Сюююда: GitHub-репозиторий, чтобы учиться AI Engineering.
Там собраны одни из лучших бесплатных курсов, статей, туториалов и видео по темам:
Математическая база
Основы AI и ML
Deep Learning и специализации
Generative AI
Большие языковые модели (LLM)
Гайды по prompt engineering
RAG, агенты и MCP
Смотри тут: https://github.com/ashishps1/learn-ai-engineering
👉 @PythonPortal
Любой может программировать с помощью ИИ.
Вы используете ИИ без базовых знаний программирования:
👉 @PythonPortal
LandingAI выпустили бесплатный курс по Document AI. Там учат собирать пайплайны обработки документов, которые вытаскивают текст, таблицы, графики и формы, не теряя контекст разметки.
Проблема классического OCR в том, что оно “достаёт буквы”, но ломает смысл:
- у таблиц пропадает структура (включая merged cells)
- связи “график ⬅️➡️ подпись” разваливаются
- порядок чтения в multi-column становится кашей
В курсе показывают, как строить агент-воркфлоу, которые читают документы ближе к тому, как это делает человек, через Agentic Document Extraction (ADE).
Что внутри:
- почему обычный OCR валится на сложных документах
- как детект layout + правильный reading order сохраняют структуру
- как парсить PDF в Markdown/JSON и не потерять layout
- как собирать RAG с ADE и векторными БД
- как деплоить event-driven документные пайплайны на AWS
3 часа, 6 практических примеров кода. Полностью бесплатно.
👉 @PythonPortal
𝗦𝗤𝗟 𝗙𝗿𝗼𝗺 𝗕𝗮𝘀𝗶𝗰𝘀 𝘁𝗼 𝗔𝗱𝘃𝗮𝗻𝗰𝗲𝗱: этот PDF-файл содержит SQL от начального до продвинутого уровня.
Этот 101-страничный PDF-файл вам понадобится для подготовки и повторения SQL перед любым собеседованием по данным.
👉 @PythonPortal
Как все представляют завтрак разработчика в 2026 году 🤩
На самом деле утро начинается с мысли: «Как кодить еще лучше?»
Если вы уже освоили базу по Python и ищете зону роста, пройдите бесплатный мини-курс в Академии Selectel.
В программе:
🔸 набор Python-инструментов и расширений, которые ускоряют кодинг;
🔸 гайд по работе с библиотекой Tkinter, чтобы создавать приложения с графическим интерфейсом;
🔸 инструкция по основам парсинга данных с веб-сайтов и многое другое.
Закрепить полученные знания вы сможете тут же — эксперты собрали базу задач с готовыми ответами.
Все материалы бесплатные. До роскошного IT-завтрака осталось пройти курс в удобное время: https://slc.tl/l8lo4?2W5zFGt8ViY
Передаём файлы без облака: AltSendme
Это зашифрованный p2p файлообменник. Он опенсорс и поддерживает передачу файлов любого размера и формата между устройствами без использования облачных сервисов.
Работает бесплатно, не требует регистрации и доступен для Windows, Mac и Linux
👉 @PythonPortal
Хакер ждет, пока вы установите Clawdbot/moltbot на свой компьютер, чтобы получить доступ ко всей вашей системе.
👉 @PythonPortal
👩💻 Хватит учить только синтаксис, начинай делать реальные проекты!
Python Ready — авторский канал, где Python перестаёт быть только теорией и становится рабочим инструментом. Мини-проекты, боты, советы, разборы задач, гайды и шпаргалки для каждого программиста.
🔥 Советую подписаться: @python_ready
У Visual Studio Code есть скрытая фича: она показывает, сколько кода написал ты, а сколько нагенерила ИИ.
Включи и проверь, ты больше дев или больше prompt engineer. 🤣
👉 @PythonPortal
Опенсорсный робот-манипулятор + трекинг рук
Сделан с индустриальным подходом, но в виде настольной системы на 3D-печати.
PAROL6 в паре с контроллером LEAP Motion отличный пример того, насколько доступной стала телеоперация роботов.
• Движения руки стримятся на робота с частотой 100 Гц по UDP
• Пневматический захват управляется простыми жестами: сжатие/разжатие кулака
• Весь стек робота опенсорсный: от механики до софта управления
Добавь сюда низколатентный трекинг рук и получаешь очень практичную платформу, чтобы учиться манипуляции, телеуправлению и интерфейсам человек-робот.
Такой сетап отлично подходит для экспериментов, teleop, сбора данных и обучения робота “по показу”.
И все это без проприетарного железа и залоченного софта.
Исходный код 😈
👉 @PythonPortal
Экономим время: VS Code расширение DEVTOOL+
Внутри целый набор ежедневных утилит: форматирование, encode/decode, конвертеры, генераторы, тестовые хелперы и еще куча мелочей. Все вызывается прямо из редактора, без браузера и лишних вкладок.
👉 @PythonPortal