«Изучение математики. Почему память, практика и техника важнее таланта»

Чтобы освоить математику, необходимо запомнить большой объём информации, правил, способов упрощения и приёмов решения задач. Другого пути нет. Теория полезна, но в меру.

Это как изучение языка. Если слишком сосредоточиться на грамматике, никогда не научишься свободно на нём говорить.

https://algebrica.org/learning-mathematics/

👉 @PythonPortal

Modern Robotics: Mechanics, Planning, and Control.

Сохраните на потом.

Это полноценный учебник по робототехнике уровня магистратуры от Кевина Линча и Фрэнка Парка, изданный Cambridge University Press.

Внутри:

- конфигурационные пространства
- кинематика
- динамика
- генерация траекторий
- планирование движения
- управление роботами

По сути, это современная математическая база того, как роботы двигаются и взаимодействуют с окружающим миром.

https://hades.mech.northwestern.edu/images/7/7f/MR.pdf

👉 @PythonPortal

DeepSeek выложила в открытый доступ библиотеку, которая ускоряет вычисления на GPU, лежащие в основе ИИ-моделей.

Она называется DeepGEMM.

Библиотека оптимизирует матричные операции, на которых работают большие языковые модели, и позволяет эффективнее использовать NVIDIA Hopper и Blackwell.

Поддерживаются FP8, FP4 и BF16. Есть оптимизации для моделей с архитектурой Mixture-of-Experts, совмещение обмена данными между GPU с вычислениями и компиляция ядер прямо во время выполнения, без отдельной сборки CUDA при установке.

По данным DeepSeek, DeepGEMM на ряде размеров матриц показывает производительность на уровне или выше специализированных библиотек, вручную оптимизированных экспертами.

https://github.com/deepseek-ai/DeepGEMM#interfaces

👉 @PythonPortal

«Основы компьютерного зрения» — бесплатная онлайн-книга издательства MIT Press, которая даёт широкое введение в компьютерное зрение с точки зрения обработки изображений и машинного обучения.

В ней разбираются формирование изображений, обучение и обратное распространение ошибки, фильтрация изображений и анализ Фурье, CNN, RNN и трансформеры, генеративные модели, обучение представлений, трёхмерная геометрия, оценка движения, распознавание объектов, модели, работающие с изображениями и текстом, и многое другое.

Особенно мне нравится, что вся книга доступна прямо в HTML: с понятной и удобной вёрсткой, множеством схем и визуализаций, которые помогают разобраться в концепциях.

https://visionbook.mit.edu

👉 @PythonPortal

Начни изучать программирование GPU с одной полностью анимированной лекции на YouTube. Это первое видео в серии о программировании GPU с Triton.

Каждая идея объясняется наглядно, с помощью анимации — как в GIF из этого поста, только на протяжении целого часа.

Ты каждый день пишешь c = a + b в PyTorch. Эта лекция показывает, что GPU на самом деле делает с этим выражением.

В лекции разбираются:

— Как GPU встроен в компьютер: PCIe, NVLink, серверы и кластеры.
— Что внутри NVIDIA H100: потоковые мультипроцессоры, вычислительные линии FP32, планировщик варпов, тензорные ядра и разделяемая память.
— Потоки, варпы, блоки и сетки — и как каждый поток находит свой элемент.
— Память: SRAM и DRAM, DDR, GDDR и HBM, кеши, задержка и пропускная способность.
— Как ускорить работу с памятью: скрытие задержек, объединение обращений к памяти и слияние ядер.
— Зачем нужен Triton и как он позволяет мыслить тайлами вместо потоков.
— Ограничения по пропускной способности памяти и вычислительной мощности, арифметическая интенсивность и модель Roofline.
— Механизм внимания, матрица N × N и то, как FlashAttention решает связанную с ней проблему.

Знание CUDA и устройства железа не требуется.

Что дальше:

— Лекция 2: построчно напишем наше первое ядро на Triton для сложения векторов. Опубликую через несколько дней.
— Новые лекции о программировании GPU и оптимизации инференса.
— Запланированная серия о глубоком обучении для аудио.

Полная лекция:
https://youtu.be/dEZP1qUNTOk

👉 @PythonPortal

«Разбираемся в трансформерах и механизмах внимания» — краткое математическое введение в механизм внимания, одну из ключевых идей современных языковых моделей.

Документ разбирает токенизацию и эмбеддинги, запросы, ключи и значения, оценки и веса внимания, многоголовое внимание, самовнимание, причинное внимание и маскирование, перекрёстное внимание и базовую структуру архитектуры Transformer.

Также в нём представлены важные методы, которые делают механизм внимания в современных LLM эффективнее: KV-кеширование, внимание с группировкой запросов (GQA), многозапросное внимание (MQA) и латентное внимание.

https://arxiv.org/pdf/2604.00965

👉 @PythonPortal

Робототехника — это, по сути, постоянное согласование систем координат. Лидар видит мир в одной системе, камера — в другой, у робота есть собственная система координат, связанная с его корпусом, а карта существует в глобальной. Матрицы преобразований позволяют согласовать их между собой. Поворот меняет ориентацию, перенос — положение, а однородные преобразования объединяют оба действия в одну операцию. Так точку, измеренную датчиком, можно выразить в системе координат автомобиля, робота, камеры или мира.

Проекция — это переход от физического трёхмерного мира к двумерному изображению. Камера отображает точку в пространстве на пиксель с учётом своей геометрии, фокусного расстояния и оптического центра. Обратный переход сложнее. Пиксель не определяет единственную точку в трёхмерном пространстве — он задаёт луч, выходящий из камеры. Чтобы определить, где именно на этом луче находится физическая точка, нужен дополнительный источник информации: стереозрение, лидар, RGB-D, известная геометрия или глубина, предсказанная обученной моделью.

Именно поэтому в робототехнике линейная алгебра приобретает физический смысл. Эти матрицы — не абстрактные таблицы чисел, а механизм, связывающий восприятие с геометрией. Объединение данных датчиков, калибровка, визуальная одометрия, SLAM, автономное вождение, манипуляции роботов и трёхмерная реконструкция зависят от постоянного ответа на один и тот же вопрос: где находится этот объект, относительно чего и как представить его в той системе координат, в которой мне нужно действовать?

👉 @PythonPortal

Смесь CS 1.6 и MW2, которая работает полностью локально в Google Chrome — https://cs.dphn.ai

Создана с помощью Astra и DeepSeek V4.1 Flash — на разработку ушло 4,43 млрд токенов.

Все файлы игры скачиваются на ваше устройство, и она работает прямо в браузере без подключения к интернету.

В тестах эта сборка показала FPS более чем на 32% выше, чем Xash3D, благодаря масштабной оптимизации, которую спроектировала Astra с высоким уровнем усилий на рассуждение, а реализовали субагенты Astra и DeepSeek.

👉 @PythonPortal

Тестируйте торговые стратегии на основе машинного обучения на исторических рыночных данных, прежде чем рисковать реальными деньгами.

- Проверяйте стратегии на множестве финансовых инструментов одновременно.
- Обучайте модели, имитирующие реальную торговлю.
- Получайте рыночные данные из Yahoo и Alpaca.

https://github.com/edtechre/pybroker

👉 @PythonPortal

Google выпустила EmbeddingGemma 2.

Это первая открытая мультимодальная модель для эмбеддингов, изначально работающая с текстом, кодом, изображениями, видео и аудио.

740 млн параметров. Модульная архитектура. Модель создана для запуска прямо на устройстве, а не в дата-центре.

При этом она обходит некоторые специализированные модели, которые более чем вдвое крупнее.

В паре с Gemma 4 можно собрать полностью локальный RAG с упором на приватность.

https://huggingface.co/google/embeddinggemma-2

https://huggingface.co/unsloth/embeddinggemma-2-GGUF

👉 @PythonPortal

Один из главных моментов, когда я по-настоящему понял, как работают трансформеры:

«Перестаньте думать о трансформере как о конвейере, где каждый слой преобразует выход предыдущего».

«Начните думать о нём как об остаточном потоке».

У каждого блока трансформера есть остаточная связь, которая прибавляет вход блока к его выходу:

x′ = f(x) + x

Из-за этого сложения блок внимания или MLP внутри слоя — функция f в формуле выше — на самом деле НЕ преобразует вход. Вместо этого он вычисляет информацию, которую нужно ДОБАВИТЬ ко входу, прежде чем передать его следующему блоку!

Представьте основную часть трансформера как общую доску. Каждый блок читает с неё то, что ему нужно, и дописывает свои заметки. Все изменения — это добавления.

Более того, слои могут обмениваться информацией на расстоянии. Блок в первом слое может записать информацию, а блок в пятом — прочитать её, хотя прямого соединения между ними нет.

За эти идеи спасибо старой статье Anthropic об устройстве трансформеров: transformer-circuits.pub/2021/framework

👉 @PythonPortal

Скачайте 10 книг по Python БЕСПЛАТНО:

1. Think Python — O’Reilly
https://t.co/X7y3pX68IW

2. The Big Book of Small Python Projects
https://inventwithpython.com/bigbookpython/

3. Структуры данных
https://opendatastructures.org/ods-python.pdf

4. Справочник по науке о данных
https://t.co/9aOLdiAbim

5. Анализ данных
https://wesmckinney.com/book/

6. Наука о данных
https://t.co/TusyBWGfrx

7. Машинное обучение
https://t.co/7veOwESe8q

8. Статистика
https://t.co/waWDQylQpY

9. Think Bayes
https://allendowney.github.io/ThinkBayes2/

10. Чистый код на Python — Packt
https://t.co/OHhVgF1L65

👉 @PythonPortal

Сейчас в сфере ИИ есть два карьерных пути:

Первый — разработчик, который умеет создавать приложения с помощью API языковых моделей.

Второй — архитектор, который понимает, как устроены сами языковые модели и системы на их основе.

Если хотите двигаться в сторону второго, у Стэнфорда есть один из лучших бесплатных курсов по разработке LLM — CS336: Language Modeling from Scratch.

Курс 2026 года состоит из 18 лекций и охватывает практически весь технологический стек языковых моделей:

— Архитектура моделей: токенизация, трансформеры, различные архитектуры и MoE.

— Аппаратное обеспечение: FLOPs, память, GPU и TPU.

— Оптимизация производительности: Triton, GPU-ядра, параллелизм и распределённое обучение.

— Обучение моделей: законы масштабирования, сбор, фильтрация и дедупликация данных.

— Запуск моделей: инференс и оценка качества.

— Дообучение: SFT, RLHF и RLVR.

Отдельно рассматривается мультимодальность.

Причём обучение не ограничивается просмотром лекций. Студенты самостоятельно реализуют токенизатор, трансформер и оптимизатор, пишут FlashAttention2 на Triton, создают систему распределённого обучения с эффективным использованием памяти и превращают сырые данные Common Crawl в датасет для предобучения.

Также они экспериментально определяют закон масштабирования и используют SFT вместе с обучением с подкреплением, чтобы научить языковую модель решать математические задачи.

По словам Стэнфорда, на этом курсе студенты пишут как минимум на порядок больше кода, чем на большинстве других курсов по ИИ.

Stanford CS336, весна 2026 года. 18 лекций, бесплатно на YouTube.

https://www.youtube.com/playlist?list=PLoROMvodv4rMqXOcazWaTUHhq-yembLCV

Выбирайте свой путь.

👉 @PythonPortal

Вышла долгожданная новая версия Python — 3.15 🐍

В неё вошли 5643 коммита от тысячи разработчиков.

Среди главных нововведений:

✓ UTF-8 по умолчанию.
✓ Более быстрый JIT-компилятор — прирост производительности в среднем на 7–8%.
✓ lazy import — модуль загружается только при первом использовании, ускоряя запуск программы.
✓ frozendict — встроенный словарь, элементы которого нельзя изменить после создания.
✓ sentinel — уникальное значение, позволяющее отличить «аргумент не передали» от переданного None.
✓ Распаковка внутри включений — объединять списки и словари теперь можно короче: [*group for group in groups].
✓ Tachyon — новый профилировщик, который помогает найти, где программа тратит больше всего времени, без изменения кода.

https://blog.python.org/2026/10/python-3150-final-is-here/

@IT_Portal

Разбор собеседований по проектированию систем, разделённый на 28 глав. Рассматриваются масштабирование, ограничение частоты запросов и распределённые системы.

https://github.com/liquidslr/system-design-notes

👉 @PythonPortal

«Graph Theory with Applications» — бесплатный учебник, который даёт всестороннее введение в теорию графов и её практическое применение.

Книга начинается с базовых понятий: графов, подграфов, путей, циклов, деревьев и связности. Затем переходит к более сложным темам: эйлеровым и гамильтоновым графам, паросочетаниям, раскраске графов, планарным и ориентированным графам, сетевым потокам и экстремальной теории графов.

Особенно полезно то, что авторы сочетают наглядное, геометрическое и топологическое понимание графов со строгим изложением математических основ.

Это делает книгу ценным ресурсом для изучения теории, лежащей в основе многих современных приложений графов в информатике, компьютерных сетях, оптимизации, анализе данных и смежных областях.

Книга: https://book.huihoo.com/pdf/graph-theory-with-applications.pdf

👉 @PythonPortal