🖥 Подготовка к собеседованию на Python (https://github.com/yakimka/python_interview_questions/blob/master/questions.md)разработчика: нашел сборник самых частых вопросов с ответами и примерами кода.

Это квинтэссенция примеров кода и паттернов, охватывающая 99% возможных вопросов на собеседовании.

Шпаргалка объемная, время чтения - 96 минут.

На русском языке.

🟢Github (https://github.com/yakimka/python_interview_questions/blob/master/questions.md)
🟢Видео (https://www.youtube.com/watch?v=zKkuWq0vIPE)
🟢Полный список (https://uproger.com/bolee-100-voprosov-s-sobesedovaniya-python-razbor-realnyh-voprosov/)
@python_be1
https://github.com/yakimka/python_interview_questions/blob/master/questions.md

Что выведет код?
@python_be1

Каким будет вывод этого кода в консоли?
@python_be1

‍📹 Топ-11 технических YouTube-каналов для изучения ИИ с нуля:

1) Andrej Karpathy ( https://www.youtube.com/andrejkarpathy) сочетание общего и технического контента, плейлист "Zero to Hero" обязателен к просмотру

2) Uproger (https://www.youtube.com/@uproger) — доступные уроки по программированию и ИИ, идеально для начинающих и тех, кто хочет углубить свои знания.

3) Umar Jamil ( https://www.youtube.com/@umarjamilai ) технический блог, где автор реализует методы ML и LLM с нуля

4) Simon Oz (https://www.youtube.com/@szymonozog7862) — технические видео по низкоуровневому машинному обучению

5) Tunadorable (https://www.youtube.com/@Tunadorable) — отличные обзоры научных статей, реализация

6) GPU Mode ([#​alias|[#alias|www.youtube.com/@GPUMode)—|www.youtube.com/@GPUMode)—]|[#alias|www.youtube.com/@GPUMode)—|https://www.youtube.com/@GPUMode)—]] технические интервью и разборы всего, что связано с GPU

7) AI Jason ( https://www.youtube.com/@AIJasonZ ) эксперименты с ИИ, дизайн ПО и новые модели, с понятным и полным разбором.

8) Ferdinand Mom (https://www.youtube.com/@FerdinandMom) — всё о распределённом обучении и выводах

9) Welch Labs ( https://www.youtube.com/@WelchLabsVideo ) уникальный глубокий взгляд на комплексность алгоритмов машинного обучения.

10) Artem Kirsanov (https://www.youtube.com/@ArtemKirsanov) — нейронаука и машинное обучение с необычного авторского взгляда + отличная визуализация контента.

11) David Ondrej ( https://www.youtube.com/@DavidOndrej ) новые модели, создание приложений с ИИ, практично для разработчиков https://t.co/BEOr0MgHag @DavidOndrej1

12) 3Blue1Brown (https://www.youtube.com/c/3blue1brown)
Потрясающие визуализации, которые делают абстрактные математические концепции понятными и интуитивными.

13) Lex Fridman (https://www.youtube.com/c/LexFridman)
Глубокие беседы с лидерами индустрии ИИ, позволяющие получить широкий взгляд на современные тенденции.

14) Machine Learning Street Talk (https://www.youtube.com/c/MachineLearningStreetTalk)
Технические погружения и обсуждения с ведущими исследователями в области ИИ и машинного обучения.
Ссылка:

15) StatQuest with Joshua Starmer PhD (https://www.youtube.com/c/statquest)
Доступные и понятные объяснения основ машинного обучения и статистики для начинающих.

Этот список для технической аудитории. Очень сложно выбрать всего 15 каналов, ведь есть множество других, создающих отличный контент.

Если знаете ещё каналы, дайте пишите в комментариях!
@python_be1

🖥 dateutil — это библиотека Python, которая расширяет стандартный модуль datetime, упрощая работу с датами и временем!

🌟 Она позволяет парсить даты из строк, работать с относительными интервалами (relativedelta), создавать сложные правила повторения дат (rrule) и поддерживает часовые пояса через модуль tz. Это делает dateutil удобным инструментом для работы с календарными данными и временными интервалами.

🔐 Лицензия: Apache-2.0

https://github.com/dateutil/dateutil
@python_be1

🌟 VideoMind - это агент для анализа видео, разработанный для точного понимания контента с привязкой ко времени.

Основная цель инструмента - обеспечить "temporal-grounded video understanding", то есть способность отвечать на вопросы о видео, точно указывая на конкретные моменты (визуальные доказательства) в видеоряде, что является сложной задачей для стандартных больших языковых моделей.

Как работает:
🟢 Внутри использует ролевой агентный подход (role-based agentic workflow), который включает специализированные компоненты (роли), такие как планировщик (planner) для координации, локализатор (grounder) для привязки ко времени, верификатор (verifier) для оценки точности временных интервалов и ответчик (answerer) для формулировки ответа.
🟢 Разработчики использовали очень интересную стратегию "Chain-of-LoRA", которая позволяет эффективно переключаться между различными ролями с помощью легковесных адаптеров LoRA (Low-Rank Adaptation) без необходимости загружать несколько отдельных моделей, оптимизируя баланс между гибкостью и вычислительной эффективностью.

✔ Результаты: демонстрирует SOTA производительность на 14 бенчмарках для различных задач понимания видео, включая ответы на вопросы с привязкой ко времени (Grounded VideoQA), временную локализацию событий (VTG) и общие ответы на вопросы по видео (VideoQA).

🟡Github (https://github.com/yeliudev/VideoMind)
🟡Demo (https://huggingface.co/spaces/yeliudev/VideoMind-2B)
🟡Paper (https://arxiv.org/abs/2503.13444)
🟡Dataset (https://huggingface.co/datasets/yeliudev/VideoMind-Dataset)
🟡Checkpoints (https://huggingface.co/collections/yeliudev/videomind-67dd41f42c57f0e7433afb36)
@python_be1

🖥 FinMind — проект, предлагающий более 50 автоматически обновляемых датасетов, охватывающих рынки Тайваня, США и мировые активы.

Причем это не просто архив исторических котировок. Здесь собраны:
▪Технические данные (от тиковых данных до индикаторов PER/PBR)
▪Отчётность, дивиденды, выручка
▪Фьючерсы, опционы
▪Ставки ЦБ, сырьё, облигации

💯 При этом проект полностью открыт и ориентирован на образовательные цели. Данные доступны через простой Python-клиент, что делает FinMind удобной альтернативой платным Bloomberg Terminal или Quandl для учебных проектов и прототипирования.

https://github.com/FinMind/FinMind
@python_be1

🔥 Awesome на GitHub

Это курируемые подборки ресурсов (книг, статей, инструментов, библиотек и многое другое) по конкретным темам, созданные сообществом разработчиков и энтузиастов.

Собрали подборку лучших из них. Сохраняйте, чтобы не потерять

• Информационная безопасность: awesome-security (https://github.com/sbilly/awesome-security)
• Базы данных: awesome-database-learning (https://github.com/pingcap/awesome-database-learning)
• JavaScript: awesome-javascript
(https://github.com/sorrycc/awesome-javascript)• React: awesome-react
(https://github.com/enaqx/awesome-react)• Vue: awesome-vue
(https://github.com/vuejs/awesome-vue)• Angular: awesome-angular
(https://github.com/PatrickJS/awesome-angular)• Node.js: awesome-nodejs
(https://github.com/sindresorhus/awesome-nodejs)• Typescript: awesome-typescript
(https://github.com/dzharii/awesome-typescript)• Java: awesome-java
(https://github.com/akullpp/awesome-java)• Go: awesome-go (https://github.com/avelino/awesome-go)
• Ruby: awesome-ruby
(https://github.com/markets/awesome-ruby)• PHP: awesome-php
(https://github.com/ziadoz/awesome-php)• Kotlin: awesome-kotlin
(https://github.com/KotlinBy/awesome-kotlin)• Rust: awesome-rust
(https://github.com/rust-unofficial/awesome-rust)• Swift: awesome-swift
(https://github.com/Wolg/awesome-swift)• iOS-разработка: awesome-ios
(https://github.com/vsouza/awesome-ios)• Android-разработка: awesome-android
(https://github.com/JStumpp/awesome-android)• C: awesome-c
(https://github.com/oz123/awesome-c)• C++: awesome-cpp
(https://github.com/fffaraz/awesome-cpp)• C#: awesome-dotnet
(https://github.com/quozd/awesome-dotnet)• Unreal Engine: awesome-unreal
(https://github.com/insthync/awesome-unreal)• Unity: awesome-unity3d
(https://github.com/insthync/awesome-unity3d)• Python: awesome-python
(https://github.com/vinta/awesome-python)• Django: awesome-django (https://github.com/wsvincent/awesome-django)
• Data Science: awesome-datascience
(https://github.com/bulutyazilim/awesome-datascience)• TensorFlow: awesome-tensorflow
(https://github.com/jtoy/awesome-tensorflow)• Linux: Awesome-Linux-Software
(https://github.com/luong-komorebi/Awesome-Linux-Software)• DevOps: awesome-devops
(https://github.com/awesome-soft/awesome-devops)• SysAdmins: awesome-sysadmin
(https://github.com/awesome-foss/awesome-sysadmin)• Nginx: awesome-nginx
(https://github.com/agile6v/awesome-nginx)• Kubernetes: awesome-kubernetes
(https://github.com/ramitsurana/awesome-kubernetes)• Docker: awesome-docker (https://github.com/veggiemonk/awesome-docker)
(https://github.com/facyber/awesome-networking)• Автоматизация сетевой инфраструктуры: awesome-network-automation (https://github.com/networktocode/awesome-network-automation)
(https://github.com/sbilly/awesome-security)• QA: awesome-testing
@python_be1

✔ В честь своего 50-летия Microsoft опубликовала исходный код Altair BASIC.

Microsoft празднует 50-летие своей деятельности, отмечая путь от небольшого стартапа в Альбукерке, основанного Биллом Гейтсом и Полом Алленом в 1975 году, до мирового технологического лидера со штаб-квартирой в Редмонде, штат Вашингтон.

В честь этого знаменательного события соучредитель компании Билл Гейтс опубликовал исходный код Altair BASIC, первого продукта компании, который сыграл решающую роль в запуске революции персональных компьютеров. Гейтс назвал код "самым крутым из всего, что я когда-либо писал".
https://news.microsoft.com/source/features/ai/15-milestones-that-shaped-microsofts-vision-for-ai
@python_be1

Всем привет, хочу научиться программировать на Пайтон, поэтому ищу человека который поможет втянуться в это дело, денег за менторство нет), но предлагаю обмен знаниями, я опытный 3д моделлер, ты учишь меня кодить, я учу тебя моделить)
@python_be1

🖥 Watchdog — это библиотека, специализирующаяся на отслеживании изменений в файловой системе, но в стильном дизайне.

Инструмент даёт возможность фиксировать любые операции с файлами и директориями (создание, удаление, модификация, перемещение) и поддерживает работу в средах Linux, macOS и Windows

Библиотека будет особенно полезна в таких случаях, как:
▪ автоматический перезапуск серверов при обновлениях файлов
▪ обработка вновь загружаемых файлов в заданную директорию
▪ синхронизация содержимого папок
▪ создание механизмов резервного копирования, оперативно реагирующих на изменения

https://github.com/gorakhargosh/watchdog

https://python-watchdog.readthedocs.io/en/stable/quickstart.html
@python_be1

‍🦙 Встречайте, дамы и господа, LLaMA 4: новые мультимодальные MoE модели!

Llama 4 Omni разработана для понимания и обработки информации модальностей, а не только текста.

Доступна в 3х вариантах: Llama 4 Scout (https://github.com/meta-llama/llama-models/blob/main/models/llama4/MODEL_CARD.md) и Llama 4 Maverick (https://github.com/meta-llama/llama-models/blob/main/models/llama4/MODEL_CARD.md) и анонсированный Llama 4 Behemoth. (https://ai.meta.com/blog/llama-4-multimodal-intelligence/)

Llama 4 Scout (109B) контекстное окно размером 10 М, 17B активных параметров · 16 эксперто , 109B общих параметров.

Llama 4 Maverick (400B) 17 млрд активных параметров ,128 экспертов, 400 млрд общих параметров · Длина контекста более 1 млн

У зверюги бегемота (еще тренируется) суммарное количество 2T!!! 16 экспертов, 288B активных параметров. Служит в качестве модели для обучения по методу совместной дистилляции Maverick.

Сейчас выпущены только Scout и Maverick, Кот-бегемот еще обучается.

🟡 Model Card (https://www.llama.com/docs/model-cards-and-prompt-formats/llama4_omni/)
🟡 Веса (https://huggingface.co/meta-llama)
🟡 Релиз (https://www.llama.com/llama4/)
@python_be1

Что будет, если передать в качестве индекса для ice_cream_flavors более короткий индекс days_of_week?
@python_be1

🖥 DeepGit: Repo Discovery — это открытый AI-инструмент, который помогает находить полезные репозитории на GitHub с помощью семантического поиска.

Он основан на системе LangGraph, использует анализ кода, документации и сигналов из сообщества, чтобы отфильтровывать малоизвестные, но перспективные проекты.

Ключевые возможности:
▪ Семантическая проверка: ищет не просто по ключевым словам, а «понимает» содержание.
▪ Многогранный анализ: учитывает не только код, но и документацию, активность и отзывы сообщества.
▪ GitHub-интеграция: фокусируется на данном экосистемном источнике, упрощая отбор качественных проектов.

🖥 GitHub: https://github.com/zamalali/DeepGit
@python_be1