На GitHub завирусился годный скилл Ponytail

Не секрет, что многие агенты любят выдавать 500 строк там, где достаточно пяти. Ponytail заставляет их подумать, а уже потом кодить

Сначала проверяются стандартные библиотеки, встроенные возможности платформы и существующие зависимости. И только потом пишется код

По словам автора, это позволяет сократить объём генерации до 94% и заметно ускорить выполнение задач.

Забираем тут.

✈️ Python Ninja

Программирование c нуля «От новичка к уверенности в коде на Python»

На Stepik запустили курс для новичков, которым важно не зубрить команды, а понимать логику. Наглядные схемы и визуальные разборы показывают, что происходит внутри программы и как она работает

Много практики, понятные объяснения решений не дадут застрять на теории. Материал предлагает вам не иллюзию знаний, а ощущение контроля: вы ясно видите как из нескольких строк кода рождается работающая программа

Программа курса:

✅переменные и типы данных
✅условия и логика программ
✅циклы и рекурсия
✅функции и работа с вводом данных
✅списки, словари и множества
✅базовое ООП
✅работа с библиотеками Python
✅десятки задач и упражнений

Эти знания фундамент для написания простых ботов и автоматизации задач

🔗Скидка 25% действует 48 часов

Нашёл реально годный ресурс «Quick Reference»

Огромная подборка лаконичных справочников по популярным языкам программирования и инструментам: от Python до Docker и другим направлениям

Сохрани себе, чтобы всегда было под рукой❤️

Подрубаем VPN и пробуем ⬇️

☝️ Ссылка источник

✈️ Python Ninja

Количество ключей в словаре

Что выведет код 😎

✈️ Python Ninja

Microsoft раздают полный курс по ИИ

Компания выложила AI for Beginners обьёмный образовательный курс с теорией, практикой и лабораторными.

В программе курса: нейронные сети, глубокое обучение, компьютерное зрение, обработка естественного языка, генетические алгоритмы и этика ИИ.

Для практики используются TensorFlow и PyTorch два главных ML-фреймворка. Есть перевод на русский язык 🙂

✈️ Python Ninja

Совет по Python: декораторы с аргументами можно реализовать через класс

Чаще всего декораторы с параметрами пишут как вложенные функции, но Python позволяет использовать для этого и классы.

Достаточно реализовать два специальных метода: __init__() принимает аргументы декоратора. __call__() получает декорируемую функцию

class decorator_with_arguments:

    def __init__(self, arg1, arg2):
        self.arg1 = arg1
        self.arg2 = arg2

    def __call__(self, f):

        def wrapped(*args, **kwargs):
            return f(*args, **kwargs)

        return wrapped


@decorator_with_arguments(3, "Python")
def doubler(number):
    return number * 2

Что происходит: Вызывается decorator_with_arguments(3, "Python"). Создаётся экземпляр класса-декоратора Python передаёт функцию doubler в метод __call__(). __call__() возвращает обёртку wrapped. При вызове doubler() фактически выполняется wrapped()

Такой подход встречается реже, чем функциональные декораторы, но бывает полезен, когда декоратору нужно хранить состояние между вызовами 📖

✈️ Python Ninja

10 GitHub-репозиториев, которые стоит посмотреть AI-инженеру

1. Hands-On AI Engineering

Подборка AI-приложений и агентных систем с практическими кейсами использования LLM.

☝️ github.com/Sumanth077/Hands-On-AI-Engineering

2. Hands-On Large Language Models

Полный код из книги Hands-On Large Language Models: от основ до файнтюнинга.

☝️ github.com/HandsOnLLM/Hands-On-Large-Language-Models

3. AI Agents for Beginners

Бесплатный курс от Microsoft из 11 уроков по созданию AI-агентов.

☝️ github.com/microsoft/ai-agents-for-beginners

4. GenAI Agents

Большая коллекция туториалов и реализаций агентных систем.

☝️ github.com/NirDiamant/GenAI_Agents

5. Made With ML

Про разработку, деплой и поддержку production-ready ML-систем.

☝️ github.com/GokuMohandas/Made-With-ML

6. Learn Harness Engineering

Практический курс по Harness Engineering для AI-агентов.

☝️ github.com/walkinglabs/learn-harness-engineering

7. AutoResearch

Автономные циклы ML-экспериментов от Andrej Karpathy.

☝️ github.com/karpathy/autoresearch

8. Designing Machine Learning Systems

Конспекты и материалы по книге Chip Huyen.

☝️ github.com/chiphuyen/dmls-book

9. Awesome LLM Inference

Подборка материалов по инференсу LLM: Flash Attention, KV Cache, квантование и другое.

☝️ github.com/xlite-dev/Awesome-LLM-Inference

10. LLM Course

Практический курс по LLM с roadmap и Colab-ноутбуками.

☝️ github.com/mlabonne/llm-course

✈️ Python Ninja

Пособие Path to Senior Engineer Handbook собрало ресурсы для разработчиков, которые хотят вырасти до уровня Senior Engineer.

Внутри:

Более 50 рассылок по профессиональному росту, системному дизайну, лидерству и веб-разработке.

Подборка книг по коммуникации, техническому письму и построению рабочих отношений. Отобранные YouTube-каналы, подкасты и профессиональные сообщества.

Курсы, научные статьи и образовательные платформы для более глубокого изучения тем.

Хорошая отправная точка для тех, кто хочет прокачивать не только технические навыки, но и архитектурное мышление, коммуникацию и лидерские компетенции.

✈️ Python Ninja

Подарок для новичков: бесплатный интерактивный курс «Aprende SQL»

Если хотите освоить SQL или подтянуть базу, забирайте полезную находку. На сайте собраны интерактивные уроки и практические задания, есть встроенная песочница, где можно сразу выполнять запросы и закреплять знания.

Ставь лайк и погнали учиться ❤️

☝️ Ссылка источник

✈️ Python Ninja

Подарочек на выходные «PyChallenger» бесплатные мини‑курсы по Python

Геймифицированная школа прогера: проходишь упражнения, мгновенные результаты, набираешь очки за ответы и переходишь на следующий уровень

Учишься через практику, в браузере, шаг за шагом прокачивая свои навыки — от переменных до обработки данных

Начинай уже сегодня 🚨

☝️ Ссылка источник

✈️ Python Ninja

На Stepik запустили мощный курс по «Troubleshooting Docker и Kubernetes: поиск и устранение проблем»

В программе только важные аспекты:

— troubleshooting Docker и образов
— диагностика сетевых проблем
— настройка readiness/liveness probes
— отладка pod’ов, деплоев и ingress
— анализ логов контейнеров и кластера
— разбор ошибок CrashLoopBackOff, OOMKilled, ImagePullBackOff и других

Собеседования на DevOps/SRE сейчас всё чаще строятся вокруг реальных инцидентов. Данный курс фокусируется именно на таких сценариях и помогает в подготовке к практическим вопросам

48 часов доступен со скидкой 25%

↗️ Пройти курс на Stepik

Двойное подчёркивание и name mangling в Python

Что выведет код 👍

✈️ Python Ninja

Ловите подгон еще одна бесплатная полезная платформа для новичков

Ulearn.me — это образовательная онлайн платформа разработанная в компании СКБ Контур. Предлагает практические курсы по программированию например, основы Python, C# и информационной безопасности

Установка не требуется всё работает из коробки😎

☝️ Ссылка источник

✈️ Python Ninja

Полезная находка для работы с SQL

Тулза «Actually Explain» автоматически визуализирует PostgreSQL-запросы в виде интерактивных схем, помогая разобраться в JOIN'ах, подзапросах и связях между таблицами.

Забираем в работу за лайк 📖

☝️ Ссылка источник

✈️ Python Ninja

При применении нескольких фильтров к серии в Pandas лучше разбивать условие на несколько строк:

s = pd.Series([10, 15, 20, 25, 30])

s.loc[
    (s > 20) &
    (s % 2 == 1)
]

Такой код проще читать, писать и поддерживать. В результате будет выбрано значение:

25

Поскольку оно одновременно больше 20 и является нечётным числом.

✈️ Python Ninja

А вы знали, что в Python есть собственный модуль для сериализации данных?

Он называется pickle. Хотя pickle нельзя считать безопасным решением для работы с недоверенными данными, он может быть очень полезен для внутренней сериализации объектов в вашем приложении 📖

✈️ Python Ninja

Мой любимый способ работать с несколькими фильтрами

В pandas.Series не цепочка .loc, а один маск. Цепочка выглядит аккуратно, но ломается на реальных данных и легко даёт неожиданные результаты:

s = pd.Series([10, 15, 20, 25, 30])

s
.loc[s > 20]
.loc[s % 2 == 1]

Проблема в том, что второй .loc снова смотрит на исходный s, а не на уже отфильтрованный результат. Логика разъезжается. Надёжнее собрать всё в одно выражение:

s = pd.Series([10, 15, 20, 25, 30])

mask = (s > 20) & (s % 2 == 1)
result = s.loc[mask]

Одна маска = одна точка истины. Проще дебажить. Меньше сюрпризов при росте кода.

✈️ Python Ninja

Подарок для ML-инженеров: онлайн учебник по Computer Vision от MIT

Эта книга охватывает широкий спектр тем: от базовых алгоритмов обработки изображений до современных методов глубокого обучения, такие как CNN, Transformers и современные AI-модели.

Множество иллюстраций, примеров и коротких глав делают книгу удобной как для последовательного изучения, так и для использования в качестве справочника 🙂

☝️ Ссылка источник

✈️ Python Ninja