В сеть выложили мегагайд по запуску локальных LLM

Если давно хотели запускать нейронки у себя на ПК, но не знаете, с чего начать здесь разжевали всё. От выбора процессора и видеокарты до настройки llama.cpp и работы с памятью.

Отдельно разбираются оптимизация KV кэша, распределение нагрузки между RAM и GPU, а также способы ускорить генерацию на обычном железе без трат на покупки новых комплектующих.

Полезная шпаргалка для всех, кто хочет запускать модели локально и получать от них максимум 📖

☝️ Ссылка источник

✈️ Python Ninja

Исторический момент. Новый HTTP-метод в стандарте.

QUERY. Альтернатива GET и POST.

Как GET не меняет состояние ресурса. Как POST можно использовать тело запроса. Шлёшь JSON, кешируешь ответ.

Только что повышен до Proposed Standard.

✈️ Python Ninja

Трюк Python

Как получить список простых чисел

Длинный способ (много циклов):

primes = []
for x in range(1, 10):
    count = 0
    for y in range(1, x+1):
        if x % y == 0:   
            count += 1
    if count == 2:       
        primes.append(x)

print(primes)  # [2, 3, 5, 7]

Короткий способ (используем filter и all):

primes = list(filter(
    lambda x: all(x % y != 0 for y in range(2, x)),
    range(2, 10)
))

print(primes)  # [2, 3, 5, 7]

✈️ Python Ninja

Фильтрация списка через оператор continue

Что выведет код? 💣

✈️ Python Ninja

Шпаргалка по основным командам Pandas

✈️ Python Ninja

Открытый инструмент для работы с SQL-базами данных!

Визуализируйте, редактируйте и проектируйте базы данных с помощью удобного визуального интерфейса:

✓ Интерактивные диаграммы ваших таблиц
✓ Экспорт схемы базы данных в изображение PNG
✓ Поддержка MySQL, PostgreSQL, SQLite и других СУБД

☝️ Ссылка источник

✈️ Python Ninja

Китайский брат выложил в открытый доступ замену для NumPy, которая выполняет вычисления на GPU.

Называется CuPy. Во многих случаях достаточно заменить одну строку:

import numpy as np

на

import cupy as cp

и тот же код может работать на CUDA до 100 раз быстрее.

Что умеет:
• Совместим с существующим кодом на NumPy и SciPy.
• Не требует переписывать программу или изучать новый синтаксис.
• Поддерживает не только CUDA, но и AMD ROCm.

Проект полностью с открытым исходным кодом.

✈️ Python Ninja

В Python заархивировать файлы можно буквально в пару строк

Вот пример:

import zipfile

files = ['file1.txt', 'file2.txt']
with zipfile.ZipFile('pycl.zip', 'w') as zipf:
    for file in files:
        zipf.write(file)

print("ZIP file created!")

Данный скрипт использует стандартный модуль zipfile для упаковки списка файлов в архив формата ZIP

Минимум кода, максимум результата 💪

✈️ Python Ninja

Эффективное освоение алгоритмов через паттерны LeetCode

Ресурс группирует задачи LeetCode по фундаментальным паттернам решения, превращая разрозненные задачи в понятную систему подходов

Каждый паттерн объяснён, подкреплён примерами и визуализациями что помогает не просто «зубрить» задачи, а понимать сам подход, который легко переносится на новые задачи

Есть треки для пошаговой подготовки от новичка до продвинутого. Это экономит время: вместо хаотичного выбора задач вы двигаетесь по структурному пути, который закрывает все ключевые темы для собесов💪

☝️ Ссылка источник

✈️ Python Ninja

Вход в ИБ часто упирается в одно: бесплатные материалы дают отдельные темы, но редко — цельную основу: Linux, сети, атаки, защита, мониторинг в правильной последовательности.

«Основы информационной безопасности» в Академии Codeby — вводная практическая программа для первого системного шага.

За 5 месяцев в рамках программы курса вы научитесь:
⏺️понимать основные принципы информационной безопасности;
⏺️разбираться в типах угроз и векторах атак;
⏺️понимать, как защищаются данные, сети и системы;
⏺️ориентироваться в базовых средствах и методах защиты;
⏺️анализировать простые инциденты безопасности;
⏺️понимать роли и направления в сфере кибербезопасности;
⏺️закладывать основы для дальнейшего развития в ИБ.

Преподаватель-практик из ИБ проверяет ДЗ и отвечает на вопросы.

Старт курса 20 июля

➡️️️ Посмотреть программу и записаться
Бесплатная консультация @CodebyAcademyBot

Совет по Python: как vars() “раскрывает” атрибуты объекта

Функция vars(obj) возвращает внутренний словарь __dict__ объекта – то есть все публичные атрибуты экземпляра класса и их значения. Это универсальный способ получить «срез» состояния объекта: удобно для отладки, логирования, сериализации в JSON и других задач.

Когда это особенно полезно?

Когда нужно быстро увидеть текущие значения всех атрибутов объекта (без принудительного вывода каждого вручную).

При преобразовании экземпляров классов в словари – например, в API-ответах или при сохранении в JSON.

Для динамической работы с атрибутами: можно программно проанализировать, модифицировать или фильтровать их.

Обратите внимание:

vars() работает только с объектами, у которых есть атрибут __dict__ (стандартные экземпляры классов, модули, классы)

Если использовать его на объектах без __dict__ (например, на строке, числе или объектах с __slots__) возникнет TypeError

Отлично отражает дух Python — коротко, читаемо и эффективно. Особенно полезен, если хочется «зазеркалить» состояние объекта без лишнего кода

✈️ Python Ninja

Наткнулся на хороший гайд: как ускорить Python до 150× с помощью C

Эта статья отличный учебный пример, как постепенно интегрировать C-код в Python. Автор показывает три подхода:

🔄запуск с помощью subprocess

🔄использование ctypes

🔄интеграция C-кода через CPython API

На примере алгоритма Левенштейна продемонстрированы реальные бенчмарки — и выигрыш в скорости может быть вплоть до 150×

Если вы изучаете оптимизацию кода, системную разработку или просто хотите лучше понимать, как языки взаимодействуют — этот материал будет очень полезен 💯

☝️ Ссылка источник

✈️ Python Ninja

Трюк в Python: Последовательность Фибоначчи

Классический способ

f1 = 0
f2 = 1
fib = []
for i in range(0, 10):
    fib.append(f1)
    temp = f1 + f2
    f1 = f2
    f2 = temp
print(fib)

Вывод: [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]

В первом способе используются переменные f1 и f2, которые изначально равны 0 и 1 — первым двум числам последовательности. В цикле for текущее значение f1 добавляется в список fib, после чего вычисляется следующее число как сумма f1 и f2. Затем значения переменных обновляются: f1 принимает значение f2, а f2 — вычисленную сумму. Этот процесс повторяется 10 раз, в результате чего формируется список из первых 10 чисел Фибоначчи

Компактный способ (с использованием list comprehension)

fib = [0, 1]
[fib.append(fib[-2] + fib[-1]) for _ in range(8)]
print(fib)

Вывод: [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]

Второй способ короче и использует list comprehension. Создается начальный список fib = [0, 1], а затем в цикле 8 раз (поскольку первые два числа уже заданы) добавляется новое число, равное сумме двух последних элементов списка (fib[-2] + fib[-1]). Таким образом, list comprehension модифицирует список "на лету", добавляя очередное число Фибоначчи на каждой итерации

✈️ Python Ninja

Не учите ML, прыгая по случайным туториалам.

DS-ML Bootcamp — это публичный репозиторий курса по Data Science и машинному обучению для начинающих, которые хотят структурированный путь от нуля до практических проектов.

Он помогает перейти от установки и концепций к практической ML-работе, организуя уроки, задания, примеры кода, датасеты и решения вокруг основного воркфлоу машинного обучения.

Ключевые возможности:

- Сквозной воркфлоу — охватывает сбор данных, предобработку, разбиение на train/test, выбор модели, обучение, оценку и развёртывание
- Структура по урокам — начинается с инструментов/настройки, Data Science, ML, основ данных и регрессии
- Практические материалы — задания дают учащимся структурированные задачи, а не только чтение конспектов
- Код + датасеты — примеры на Python и сырые CSV-датасеты включены для упражнений
- Настройка для повторения — в README сказано, что можно клонировать репозиторий и использовать Jupyter или VS Code, параллельно просматривая уроки

Бесплатный публичный репозиторий на GitHub.

✈️ Python Ninja

Находка для всех AI-разработчиков: бесплатная книга по Deep Learning

Один из самых лучших учебников по глубокому обучению теперь доступен бесплатно в онлайн-формате. Внутри вас ожидает материал по нейронным сетям, компьютерному зрению, Keras, Transformers, генеративному ИИ.

Каждый раздел здесь сопровождается практическими примерами, а сам код можно запускать прямо в браузере через Google Colab.

ЛАЙК за такую базу 😪

☝️ Ссылка источник

✈️ Python Ninja

Хочешь строить приложение на Python и избежать фронтенда

Тогда тебе безусловно понравится этот современный декларативный UI‑фреймворк на Python, без HTML/CSS/JS. Он реализует модель в духе React/Flutter, где все компоненты — Python‑классы с атрибутами‑dataclass и методом build()

Более 50 встроенных компонентов: rio.Button, rio.Text, rio.Switch и др.

Автодополнение и type safety благодаря полным аннотациям типов

Запуск: локально (окно) или веб (через WebSocket, FastAPI/Uvicorn) — один и тот же код

Dev‑фичи: hot reload, встроенный devtools, интеграция с Python debugger

Лично мне он нравится уже даже по описанию 😏

☝️ Ссылка источник

✈️ Python Ninja

Вашему второму мозгу нужно больше, чем демо-чатбот

second-brain-ai-assistant-course — это open-source репозиторий курса от Decoding AI для разработчиков, которые хотят создать ассистента для личной базы знаний с LLM, агентами, RAG и LLMOps.

Он помогает перейти от разрозненных заметок к полноценному ассистенту через шесть модулей: пайплайны данных, генерация датасета, тонкая настройка, развёртывание, продвинутый RAG и агентный инференс/наблюдаемость.

Ключевые особенности:

• Шесть модулей — охватывает архитектуру, ETL, тонкую настройку, развёртывание, RAG и LLMOps
• Офлайн + онлайн приложения — разделяет ML/пайплайны данных и пайплайн инференса ассистента
• Поддержка Notion — использует базу знаний Second Brain, доступен публичный снимок, так что аккаунт Notion не обязателен
• Настоящие LLMOps-инструменты — включает ZenML, Opik, Comet, Unsloth, MongoDB, Hugging Face и OpenAI
• Ориентация на разработчика — документация модулей, готовый код, uv/ruff и Docker-инфраструктура

Открытый исходный код (лицензия MIT).

✈️ Python Ninja

На Stepik вышел курс «MCP: создание передовых агентных приложений»

Практическай материал по разработке AI-агентов и многосерверных систем на базе Model Context Protocol

Шаг за шагом собираем своего AI-агента с серверами, инструментами, логикой для принятия решений и даже анализом изображений. Всё это на практических примерах, с схемами и кодом в терминале

Что внутри:

✅ клиент-серверная архитектура MCP
✅ серверные конфигурации
✅ инструменты, ресурсы и промпты
✅ LangChain, LangGraph и LlamaIndex
✅ логика, координация инструментов
✅ логирование и отладка
✅ агент для анализа изображений
✅ подготовка решений к продакшен

Скидка 25%, действует 48 часов

🔗Пройти курс на Stepik