‍🖥 Свежий курс на Stepik: PostgreSQL для разработчиков: от основ к созданию API

Курс научит создавать надёжные REST API-сервисы на базе PostgreSQL, используя FastAPI на Python.

Пошаговое объяснение материала - от установки среды и основ SQL до полноценного API-приложения с безопасностью, связями и масштабируемостью.

На практике разбирается:

•работу с таблицами, типами данных, фильтрацией и агрегатами

• группировки, подзапросы и оптимизацию SQL-запросов

• взаимодействие Python с базой данных

• создание REST API с FastAPI и подключением PostgreSQL

• проектирование структуры БД и нормализацию

• реализацию CRUD-операций и валидацию данных

• postgres для профессионалов

• разбор вопросов с реальных собеседований технические вопросы, SQL-задачи, разбор хитрых приемов.

⚡️ После прохождения вы создадите готовый API-проект и уверенные навыки работы с PostgreSQL в продакшене.

Сегодня дарим промокод на скидку - 30%, действует

🚀 Начать учиться (https://stepik.org/course/255542/pay?gift=true&promo=SQLISGREAT)

@python_be1

Time опубликовал список 200 главных изобретений 2025 года

Наш личный топ-3 из списка:
🟢 NVIDIA DGX Spark — настольный суперкомпьютер с производительностью дата-центра. Внутри чип с мощностью ИИ-вычислений 1 петафлопс.

🟢 Google DeepMind Genie 3 —
модель, которая генерирует интерактивные виртуальные миры в реальном времени и они остаются стабильными на протяжении нескольких минут. Примеры
🟢 Biwin Mini SSD — накопитель размером с монету, но с объёмом до 2 ТБ. При этом накопитель от Biwin намного шустрее MicroSD — скорость записи достигает 3400 МБ/с.

Еще там есть средство от облысения, котик, который дует на ваш чай (да), принтер для тональника, роботы, DeepSeek R1 и Claude, но нет моделей OpenAI — так что сегодня где-то грустит Альтман. 😬

Посмотреть полный список и осознать, что мы живем в будущем, можно тут (https://time.com/collections/best-inventions-2025/)

@python_be1

RND1 - новая экспериментальная модель с 30 миллиардами параметров, построенная по архитектуре Sparse Mixture-of-Experts, где активно 3 миллиарда параметров: https://www.youtube.com/watch?v=M8XdNsecroo

Она была преобразована из предварительно обученной авторегрессионной модели (Qwen3-30B-A3B) и затем дополнительно обучена на 500 миллиардах токенов, чтобы полностью поменять поведениие диффузионной модели.

Обычные модели (AR, автогрессионные) пишут текст слово за словом, а RND1 создаёт всё предложение сразу и потом пошагово уточняет его, как будто “проявляет” текст из шума.

Это - Diffusion Language Model (DLM), аналог диффузионных моделей, которые рисуют картинки, только здесь она “рисует” слова.

🔄 Как её сделали

Команда Radical Numerics придумала, как превратить готовую модель в диффузионную без обучения с нуля.

Они просто поменяли тип внимания и дообучили модель на новой задаче.

Этот метод называется AR-to-Diffusion Conversion (A2D) - то есть конверсия из автогрессионной модели в диффузионную.

Как это происходит:
1. Берут сильную GPT-подобную модель.
2. Меняют механизм внимания — теперь модель видит весь контекст сразу.
3. Продолжают обучение по диффузионной задаче.
4. Используют разные скорости обучения для разных частей сети, чтобы модель не забыла старое, но научилась новому способу мышления.

⚙️ Что под капотом

▪ Mixture-of-Experts (MoE) - у модели 30 млрд параметров, но реально работают только 3 млрд за раз. Это делает её мощной, но экономной.

▪ Непрерывное дообучение - старые знания не стираются, а “встраиваются” в новый режим.

▪ Огромные батчи - модель учится на больших партиях данных, чтобы стабилизировать обучение, ведь она не обрабатывает все токены сразу.

✔️ Чем RND1 интересна:

- Параллельная генерация - текст создаётся быстрее, без пошаговой задержки.
- Меньше затрат - активных параметров всего 3 млрд, при этом качество как у больших GPT.
- Новая архитектура - открывает дорогу гибридным моделям, сочетающим плюсы AR и DLM.
- Полностью открытый код и веса - можно исследовать, изменять, запускать самому.
- Первый серьёзный шаг к самосовершенствующемуся ИИ- модель может не только обучаться, но и помогать в проектировании следующей версии.

Это реально интересный метод, RND1 показывает, что ИИ можно не просто обучать, а перестраивать - менять его саму логику мышления без начала “с нуля”.

Похоже, это может стать фундаментом для систем Recursive Self-Improvement (RSI), когда ИИ способен создавать и улучшать самого себя.

🟠Blog: https://radicalnumerics.ai/blog/rnd1

🟠Code: https://github.com/RadicalNumerics/RND1

🟠Report: https://radicalnumerics.ai/assets/rnd1_report.pdf

🟠Веса: https://huggingface.co/radicalnumerics/RND1-Base-0910

🟠Видео: https://www.youtube.com/watch?v=M8XdNsecroo

@python_be1

Везде свои + и - 😂

@python_be1

🎓 Основатель Coursera Эндрю Ын запустил новый курс по ИИ-агентам — он научит вас создавать ИИ-агентов на Python с помощью популярных фреймворков.

• Четыре главных паттерна дизайна агентов — Reflection, Tool use, Planning и Multi-agent collaboration.
• Акцент на эвале и анализе ошибок — необходимых навыках для успешной отладки агентных систем.
• Практика — создадите своего deep research-агента, который изучает интернет и выдаёт отчёты.

Сохраняйте годноту — тут. (https://deeplearning.ai/courses/agentic-ai/)

@python_be1

🖥 Новый курс на Stepik - PostgreSQL для разработчиков: от основ к созданию API

Здесь на пальцах объясняют не только как писать SQL-запросы, а строить настоящие backend-сервисы с базой данных как у профи.

В этом курсе ты шаг за шагом создашь REST API на FastAPI + PostgreSQL:
от установки среды и первых таблиц - до масштабируемого приложения с безопасностью и CRUD-операциями.

🔹 На практике разберете:
• SQL-запросы, фильтры, агрегаты и подзапросы
• Связи между таблицами и нормализацию БД
• Взаимодействие Python и PostgreSQL
• Реализацию REST API и подключение базы
• Оптимизацию и разбор реальных задач с собеседований

⚡ После курса у вас будет свой работающий API-проект и реальные навыки работы с PostgreSQL в продакшене.

🎁 Сегодня –30% от цены!

🚀 Прокачаю свои знания: https://stepik.org/course/255542/ (https://stepik.org/course/255542/pay?gift=true&promo=SQLISGREAT)

@python_be1

‍Забираем пачку из 60 нейронок под ЛЮБЫЕ задачи. Можно использовать ВСЕМ — фрилансерам, студентам, блогерам и тем, кто хочет избавиться от рутины.

1. Контент и тексты
— ChatGPT (https://chatgpt.com/)
— (https://chatgpt.com/)Claude Al (https://claude.ai/login?returnTo=%2F%3F)
— (https://chatgpt.com/)Gamma App (https://gamma.app/ru)
— (https://chatgpt.com/)Canva Al (https://www.canva.com/ru_ru/)
— (https://chatgpt.com/)Apify (https://apify.com/)
— (https://chatgpt.com/)Make.com (https://www.make.com/en)
— (https://chatgpt.com/)Notion Al (https://www.notion.com/product/ai)

2. Видео и озвучка
— (https://chatgpt.com/)ElevenLabs (https://elevenlabs.io/)
— (https://chatgpt.com/)HeyGen (https://www.heygen.com/)
— (https://chatgpt.com/)Opus Clip (https://www.opus.pro/)
— (https://chatgpt.com/)Submagic (https://www.submagic.co/)
— (https://chatgpt.com/)Captions (https://www.captions.ai/)
— (https://chatgpt.com/)CapCut (https://www.capcut.com/ru-by)
— (https://chatgpt.com/)Runway (https://runwayml.com/)
— (https://chatgpt.com/)Suno (https://suno.com/home)
— (https://chatgpt.com/)Udio (https://www.udio.com/)
— (https://chatgpt.com/)WhisperJAX (https://www.namecheap.com/logo-maker/app/new/)
— (https://chatgpt.com/)Free Subtitles AI (https://huggingface.co/spaces/sanchit-gandhi/whisper-jax)
— (https://chatgpt.com/)VideoToBlog (https://www.videotoblog.ai/)
— (https://chatgpt.com/)PixVerse (https://app.pixverse.ai/)
— (https://chatgpt.com/)FusionBrain (https://fusionbrain.ai/)
— (https://chatgpt.com/)Genmo (https://www.genmo.ai/)
— (https://chatgpt.com/)Luma (https://lumalabs.ai/dream-machine)

3. Автоматизация
—Make.com (https://www.make.com/en)
— Zapier (https://zapier.com/)
— n8n (https://n8n.io/)
— AirTable (https://www.airtable.com/)
— Albato (https://albato.com/)
— STORYD (https://www.storyd.ai/)
— Gamma (https://gamma.app/ru)

4. Продажи и боты
— SendPulse (https://login.sendpulse.com/login/?l=ru)
— Botmother (https://app.botmother.com/)
— Salebot (https://salebot.pro/)
— ChatPlace (https://chatplace.io/ru)
— Jivo (https://www.jivo.ru/)
— Manychat (https://manychat.com/)

5. Поиск и анализ
— Perplexity Al (https://www.perplexity.ai/)
— Phind (https://www.phind.com/)
— ChatGPT Search (https://openai.com/index/introducing-chatgpt-search/)
— Browse Al (https://www.browse.ai/)

6. Визуал и дизайн
— Midjourney (https://www.midjourney.com/explore?tab=video_top)
— NanoBanana (https://nanobanana.ai/)
— Remove.bg (https://www.remove.bg/ru)

Сохраняем в «избранное» 😏

@python_be1

1. Начинается масс адаптация GenAI
2. Троллинг становится доступнее

<вы здесь> (https://vc.ru/ai/2271456-policiya-ssha-preduprezhdaet-o-opasnosti-rozygrysha-s-bezdomnymi)

@python_be1

Карпаты выложил в опенсорс мини-клона ChatGPT — nanochat 😱

Один из создателей GPT, Андрей Карпаты, выложил nanochat — проект, с помощью которого можно собрать и обучить собственного чат-бота с нуля за несколько часов на облачном GPU. Внутри всего 8 000 строк кода без лишних зависимостей.

Сам Карпаты называет этот проект «самым безумным, что он когда-либо писал». Гитхаб здесь. (https://github.com/karpathy/nanochat)

@python_be1

Годные советы подъехали (https://x.com/ImSh4yy/status/1973832756884091032) 😁

@python_be1

Познавательное: отличный воркшоп, где пошагово объясняют, как создать собственного помощника по программированию — от простого чатбота до полноценного агента, который умеет читать файлы, выполнять shell-команды и редактировать код.

Чистая практика с упором на архитектуру и механику, а не интерфейс. Если всегда хотелось понять, как под капотом работает ваш IDE-агент — это идеальный старт:

— Подключение к API Claude;
— Создание чат-бота на Go;
— Добавление инструментов для чтения и правки кода;
— Обработка ошибок и ответов от инструментов;
— Построение агента, который учится на своих шагах.

Cursor напрягся (https://github.com/ghuntley/how-to-build-a-coding-agent) 😂

@python_be1

3 ИИ-инструмента, которые упростят жизнь
— включаете диктофон на лекции, а потом кидаете запись в бота. Он сделает полную расшифровку и короткую выжимку с самой важной информацией. Можно даже задавать вопросы по содержанию
Handwrittner (https://handwrittner.com/?lang=en) — превращает любой текст в реалистичный рукописный вариант. Подходит, если нужно сдать конспект или красиво оформить работу ✍️📝

OpenEvidence (https://www.openevidence.com/) — нейросеть, которая объясняет медицинские анализы и диагнозы. Работает на данных ВОЗ и прошла врачебный экзамен США (USMLE). Уже применяется в клиниках по всему миру.

@python_be1

AGI достигнут 😂

@python_be1

Вам срочное сообщение:

@python_be1

Вышла большая подборка готовых ИИ-агентов и шаблонов проектов для Claude Code.

Можно получить личного код-ревьюера, ИИ-разработчика, создателя игр или дизайнера интерфейсов и многое другое.

Забираем бесплатно по ссылке. (https://www.aitmpl.com/agents)

@python_be1

🎨 Nano Banana добавили в Google Search — передают, что из России нейронка работает без VPN. Сейчас это самый мощный нейрофотошоп, который можно юзать бесплатно:

1. Открываем Lens в приложении Google на Android или iOS.
2. Выбираем новый режим «Создать» с иконкой бананы.
3. Отправляем любой запрос.
4. Или делаем фотку и пишем, как её хотим изменить.
5. Можно продолжить редактирование или скачать готовую картинку.

Пользуемся!

@python_be1

🔥 Pandas трюк: ускоряем группировки с map вместо merge_groupby

Когда нужно добавить агрегированные значения (например, среднее по группе) обратно в исходный DataFrame, большинство разработчиков делают groupby().transform() или merge().
Но есть менее известный способ — использовать map() после groupby().mean(), который в некоторых случаях работает в 2–3 раза быстрее и требует меньше памяти.

Фокус в том, что groupby().mean() создаёт компактный Series, где индекс — это категория, а значения — результат агрегации.
А map() просто подставляет их обратно в исходный DataFrame без тяжёлого join.

```

import pandas as pd
import numpy as np

# пример данных
N = 5_000_000
df = pd.DataFrame({
"group": np.random.choice(["A", "B", "C", "D"], N),
"value": np.random.randn(N)
})

# классический подход
df["mean_value_merge"] = df["group"].map(df.groupby("group")["value"].mean())

# сравнение с transform
df["mean_value_transform"] = df.groupby("group")["value"].transform("mean")

# идентичность результата
print(df["mean_value_merge"].equals(df["mean_value_transform"]))

```

Это особенно полезно на миллионах строк, когда transform начинает “проседать”.
Метод даёт тот же результат, но заметно экономнее по CPU и RAM.

@python_be1