Визуализация данных на Python: 10 лучших примеров с кодом
Визуализация данных на Python - один из самых быстрых способов понять, что происходит в данных. Один удачный график заменяет десятки строк df.describe(): сразу видны тренды, выбросы, корреляции и аномалии.
В этой статье собраны 10 лучших примеров визуализации данных на Python с готовым кодом на Matplotlib, Seaborn и Plotly. Все примеры используют открытые учебные датасеты, поэтому их можно запустить в Jupyter Notebook или Google Colab без подготовки данных.
https://uproger.com/vizualizaciya-dannyh-na-python-10-primerov/
Визуализация данных на Python - один из самых быстрых способов понять, что происходит в данных. Один удачный график заменяет десятки строк df.describe(): сразу видны тренды, выбросы, корреляции и аномалии.
В этой статье собраны 10 лучших примеров визуализации данных на Python с готовым кодом на Matplotlib, Seaborn и Plotly. Все примеры используют открытые учебные датасеты, поэтому их можно запустить в Jupyter Notebook или Google Colab без подготовки данных.
https://uproger.com/vizualizaciya-dannyh-na-python-10-primerov/
👍5❤2🔥2
Octop - open-source платформа, где можно запускать сразу несколько AI-агентов для себя, семьи или команды, при этом все данные остаются на вашей машине.
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
❤4
Миниатюра из фотографии за 4 строки Python 🐍
Pillow уменьшит фото до размера не больше 128 × 128 пикселей, сохранив пропорции. Если исходник меньше, увеличивать его не будет.
Установить библиотеку:
*На картинке в
from PIL import Image
with Image.open("my_image.jpg") as image:
image.thumbnail((128, 128))
image.save("thumbnail.jpg")
Pillow уменьшит фото до размера не больше 128 × 128 пикселей, сохранив пропорции. Если исходник меньше, увеличивать его не будет.
Установить библиотеку:
pip install Pillow*На картинке в
save() указана переменная thumbnail_path, но она не объявлена. В примере выше это исправлено.*❤6
Forwarded from Machinelearning
Стартап Synthetic Sciences из зимнего набора Y Combinator 2026 года вывел на Product Hunt OpenScience – открытую рабочую среду с ИИ-агентом для научных исследований.
Сам агент компания выложила ещё в июле, а главное из обновления – режим Autoresearch, в котором агент без участия человека ставит серию экспериментов и улучшает заданную метрику.
OpenScience ведёт исследование целиком, от обзора литературы и гипотезы до кода, эксперимента, анализа и текста статьи.
Агенту доступны 295 встроенных навыков, от обучения моделей до молекулярной биологии, хемоинформатики и вёрстки в LaTeX, и около сорока научных баз, среди них UniProt, PDB, ChEMBL, PubChem, arXiv и Semantic Scholar.
В Autoresearch задачу ставят обычными словами, например - снизить функцию потерь на валидационной выборке, остановить работу через час или при выходе метрики на плато и закончить после 20 запусков или 8 часов.
Агент сначала запускает базовый вариант, затем по очереди проверяет идеи, отсортированные по ожидаемой пользе, и по каждому запуску решает, сохранить изменение или откатить.
Чтобы цикл не затроил, после четырёх стартов без прогресса агент переключается на идеи другого типа, плюс каждые шесть запусков пересматривает подход.
Ход работы записывается в файлы с постановкой задачи, очередью идей, таблицей результатов и выводами.
Среда собрана как настольное приложение с деревом файлов, редактором, терминалом и просмотрщиками молекул, структур и геномов.
Модель выбирается, подойдут собственные ключи Anthropic, OpenAI, Google и других провайдеров, вход по подписке ChatGPT или Codex, локальные модели и фирменный сервис Ace.
Эксперименты запускаются локально, по SSH, в кластере под Slurm или PBS или в облаке Modal. Метрики собирает встроенный трекер, скрипты под wandb работают с ним без переделки.
На Terminal-Bench Science агент решил 53 задачи из 70, это 75,7%.
В этом тесте OpenScience управляла GPT-6 Astra с GPT-6 Sol в роли исполнителей, на задачу давали 8 часов и одну попытку.
Лучший результат в таблице Snorkel – 68,1% у Codex с GPT-6 Astra, у Claude Code с Opus 5.5 там 63,3%.
В научной части Terminal-Bench 4.0 агент решил 10 задач из 14 против 60% у Claude Code с Fable 5.1, на BiomniBench-DA набрал 82,2 балла против 81,04 у aipoch.
@ai_machinelearning_big_data
#AI #ML #Agents #AiScientist #Bioinformatics #OpenScience
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3❤2🔥2
🔥 Почему Python-библиотеки всё чаще пишут критичные части на Rust
Например, Pydantic v2 использует pydantic-core, написанный на Rust. Связка работает через PyO3: Rust-функции компилируются в нативную библиотеку, после чего Python импортирует её как обычный модуль.
Но есть интересный нюанс: ускорить сам алгоритм недостаточно.
При возврате большого результата Rust должен превратить свои структуры в Python dict, list, str, float и другие объекты. Для больших данных эта конвертация может занимать больше времени, чем сама обработка в Rust.
Главный вывод: если переносите горячий код Python на Rust через PyO3, профилируйте не только вычисления, но и границу между двумя языками.
Иногда именно она съедает весь выигрыш в производительности.
https://belderbos.dev/blog/how-libraries-run-rust-inside-python/
Например, Pydantic v2 использует pydantic-core, написанный на Rust. Связка работает через PyO3: Rust-функции компилируются в нативную библиотеку, после чего Python импортирует её как обычный модуль.
Но есть интересный нюанс: ускорить сам алгоритм недостаточно.
При возврате большого результата Rust должен превратить свои структуры в Python dict, list, str, float и другие объекты. Для больших данных эта конвертация может занимать больше времени, чем сама обработка в Rust.
Главный вывод: если переносите горячий код Python на Rust через PyO3, профилируйте не только вычисления, но и границу между двумя языками.
Иногда именно она съедает весь выигрыш в производительности.
https://belderbos.dev/blog/how-libraries-run-rust-inside-python/
👍5❤3🔥2
Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python.
Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые
https://github.com/justxor/python-primery-koda-2026/
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7❤4🔥2
Команда открытого движка инференса SGLang добавила эндпоинт
/v1/decisions, который превращает обычную чат-модель в модель для принятия решений.Второй эндпоинт,
/v1/systemone, отдаёт те же решения в формате System One API, который TypeSafe AI представила 19 сентября вместе со своей моделью Jev.API поддерживает выбор из 2–26 вариантов (до 255 с двухбуквенными метками), оценку по шкале из 2–10 уровней и вопрос «да или нет».
SGLang присваивает каждому варианту метку из одного токена - буквы для выбора, цифры для оценки,
yes и no для бинарных вопросов.Затем движок читает логарифмические вероятности следующего токена по всему словарю и переводит их в вероятности через софтмакс с учётом температуры.
Отсюда ограничение - метка обязана укладываться в один токен в позиции ответа.
Решение принимает один вход без истории диалога, а вероятности у холодного запроса и у запроса из префиксного кэша могут расходиться на несколько сотых.
Для демонстрации SGLang заставил Qwen3.8-27B играть в Pokémon FireRed. Модель по текущему состоянию игры выбирала между атакой, сменой покемона и лечением меньше чем за 100 мс на решение и прошла Элитную четвёрку и чемпиона.
Функция доступна в nightly-сборках SGLang из основной ветки. Её проверили на Qwen3.8-27B и Qwen3.5-35B-A3B, другие модели подойдут, если метки ответов укладываются в один токен.
Примеры запросов и описание формата есть в документации SGLang.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1
Вопросы на собеседовании Python Senior: 100 вопросов с ответами (2026)
Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
👍8😁2❤1🥰1
20 практик написания Python-кода в 2026 году, когда значительную часть кода пишут ИИ-ассистенты: uv, Ruff, типы, Pydantic, тесты, безопасность зависимостей, t-строки и новое в Python 3.14 и 3.15.
В 2026 году заметная часть Python-кода в командах появляется из Copilot, Claude Code, Cursor и других ассистентов. Код пишется быстрее, и плохие привычки обходятся дороже: агент охотно размножит неудачный паттерн по всему репозиторию, предложит несуществующую библиотеку или напишет код, который никто в команде толком не понимает.
Ниже 20 практик, которые помогают держать качество под контролем. Часть касается инструментов, часть процессов, и почти все одинаково полезны для кода, написанного руками, и для кода, который сгенерировала модель.
https://uproger.com/luchshie-praktiki-python-2026/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2🔥2
Forwarded from Machinelearning
🔎 Google выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве
Модель переводит текст, код, изображения, видео и аудио в единое векторное пространство. Например, позволяет найти нужный снимок по текстовому описанию.
Всего 740 млн параметров:
• 270 млн для текста;
• 170 млн для изображений;
• 300 млн для аудио.
Нужные модули можно подключать отдельно. В оптимизированном запуске на Pixel 11 Pro полная модель использует около 567 МБ активной RAM, текстовая часть около 191 МБ.
Лицензия Apache 2.0 допускает коммерческое использование. Практическое применение: локальный поиск по документам и медиа без отправки данных в облако.
https://deepmind.google/models/gemma/embeddinggemma/
@ai_machinelearning_big_data
#Gemma #Google
Модель переводит текст, код, изображения, видео и аудио в единое векторное пространство. Например, позволяет найти нужный снимок по текстовому описанию.
Всего 740 млн параметров:
• 270 млн для текста;
• 170 млн для изображений;
• 300 млн для аудио.
Нужные модули можно подключать отдельно. В оптимизированном запуске на Pixel 11 Pro полная модель использует около 567 МБ активной RAM, текстовая часть около 191 МБ.
Лицензия Apache 2.0 допускает коммерческое использование. Практическое применение: локальный поиск по документам и медиа без отправки данных в облако.
https://deepmind.google/models/gemma/embeddinggemma/
@ai_machinelearning_big_data
#Gemma #Google
👍6👏3