Тренировки Яндекса по алгоритмам: от решения задач к карьере в IT

Вас ждет 4 недели практики, чтобы систематизировать знания и научиться решать задачи, которые встречаются на собеседованиях и в реальной работе.

Программа включает восемь ключевых тем: множества, словари, динамическое программирование и не только. Лекции и разборы будет вести Михаил Густокашин — директор Центра студенческих олимпиад ВШЭ и тренер чемпионов мира по программированию.

Топ-300 участников смогут пропустить контест при отборе на стажировку в Яндекс по направлениям бэкенд, фронтенд, мобилка и пройти пробное техническое собеседование. А еще лидеры рейтинга смогут получить персональные карьерные консультации.

Подать заявку можно до 29 сентября.

⚡️ Limekit — кроссплатформенный GUI-фреймворк на Lua

Хочешь писать десктоп-приложения без Python и компиляции?
С Limekit всё просто: «написал один раз — запускай везде» (Windows, macOS, Linux).

✨ Что умеет:
- Чистый Lua API, без необходимости знать Python
- 40+ встроенных виджетов, поддержка Material Design и тёмной темы
- Запуск без сборки — достаточно Python и самого фреймворка
- Много примеров и документация на ReadTheDocs
- Полностью опенсорс (GPLv3)

📌 Минимальный пример:

local window = Window{title='Limekit app'}
window:show()

Две строки кода — и у тебя уже готовое окно 🚀

⚡️GitHub

@pythonl

🆕 OctoBot — мощный криптовалютный торговый бот с открытым исходным кодом!

OctoBot — это:
- Открытый и настраиваемый крипто-торговый бот от Drakkar-Software
- Интерфейс конфигурации и система *tentacles* (модули-«щупальца») для гибкого построения стратегий — от технического анализа до интеграции внешних данных
- Поддержка Spot и Futures, торговля на более чем 15 биржах через библиотеку ccxt
- Возможности: создание и тестирование стратегий, оптимизация, торговля корзиной криптовалют, использование AI-инструментов и backtesting

Архитектура проекта:
- OctoBot — ядро с backtesting и стратегическим менеджментом
- OctoBot-Tentacles — модули для стратегий, нотификаций, внешних данных
- OctoBot-Trading — взаимодействие с биржами через ccxt
- Дополнительные пакеты: OctoBot-Services, OctoBot-Backtesting, OctoBot-Commons, Async-Channel

Активность и релизы:
- 4,5k★ и 900+ форков на GitHub
- Недавний релиз 2.0.12 (июнь 2025) с поддержкой Windows, Linux (x64, arm64) и macOS
- Регулярные обновления и активное сообщество

Почему это важно:
- Гибкая модульная архитектура
- Возможность добавлять свои стратегии и источники данных
- Отличный инструмент для изучения алгоритмической торговли и прототипирования
- Интеграции с AI, TradingView, Telegram

👉 Репозиторий: https://github.com/Drakkar-Software/OctoBot

@pythonl

🐍 Необычный Python-совет

В Python можно перегрузить оператор [] и превратить объект в умный словарь или вычисляемый массив. Это позволяет писать очень выразительный код.

Пример: создадим класс, который хранит функцию и вычисляет результат «на лету» при обращении по индексу:

class PowTable:
    def __init__(self, power):
        self.power = power

    def __getitem__(self, n):
        return n ** self.power

squares = PowTable(2)
cubes = PowTable(3)

print(squares[5])  # 25
print(cubes[4])    # 64

👉 В итоге obj[x] может не просто доставать значение, а вычислять его динамически.

Это мощный приём для DSL, кэшей и ленивых вычислений.

🚀 Полезный совет: any и all в Python работают с генераторами и используют short-circuit

Иногда в python есть малоизвестные особенности, которые могут сильно помочь.

Например, функция all и any умеют работать не только с простыми списками, но и с генераторами. Это значит, что пайтон остановит проверку сразу, как только результат станет очевидным — это называется "шорт-сёркьют".

nums = [0, 0, 0, 5, 0]

#any (эни) вернёт True, как только найдёт первый элемент != 0
print(any(nums))  # True

#ll (ол) вернёт False, как только встретит первый элемент == 0
print(all(nums))  # False

#использование с генератором — не создаёт лишний список
print(any(x > 10 for x in nums))  # False  

Это позволяет писать очень эффективный код без лишних проверок и без создания промежуточных списков.

@pythonl

🚀 Современная система сборки Meson

Meson — это высокопроизводительная система сборки, ориентированная на простоту и скорость. Она поддерживает множество языков и инструментов, обеспечивая гибкость и эффективность в разработке.

🚀 Основные моменты:
- Поддержка Python и Ninja для сборки.
- Быстрая и интуитивно понятная настройка проектов.
- Активное сообщество и возможность внесения вкладов.
- Совместимость с различными платформами и языками.

📌 GitHub: https://github.com/mesonbuild/meson

@pythonl

⚠️ SQL-инъекция через f-string

Если подставлять значения прямо в SQL через f-string, злоумышленник может выполнить любой код в базе:

name = "Alice'; DROP TABLE accounts; --"
query = f"SELECT * FROM accounts WHERE name = '{name}'"
conn.sql(query)

💥 И вот таблица accounts удалена!

Почему так?

Потому что строка с именем вставляется как есть и воспринимается как часть SQL-запроса.

✅ Правильный способ — использовать параметры:

name = "Alice'; DROP TABLE accounts; --"
query = "SELECT * FROM accounts WHERE name = ?"
conn.sql(query, params=(name,))

✔ Имя ищется как текст, база остаётся в безопасности.

👉 Запомни: никогда не вставляй пользовательские данные напрямую в SQL.

Используй параметризованные запросы — это надёжная защита от SQL-инъекций.

@pythonl

🔍 Django ModelSearch: Умный поиск для ваших моделей

Django ModelSearch позволяет индексировать модели Django и осуществлять поиск с помощью ORM. Поддерживает PostgreSQL FTS, SQLite FTS5, Elasticsearch и OpenSearch. Идеально подходит для создания мощных поисковых решений в ваших приложениях.

🚀Основные моменты:
- Индексация моделей в Elasticsearch и OpenSearch
- Поддержка автозаполнения и фасетного поиска
- Возможность использования существующих QuerySets
- Поддержка нечеткого поиска и структурированных запросов
- Нулевая простоя при перестройке индекса

📌 GitHub: https://github.com/kaedroho/django-modelsearch

@pythonl

#python

🚀 Python Pro совет

Хотите измерить время выполнения куска кода без лишних библиотек?
Используйте модуль timeit, встроенный прямо в Python:

# Запуск из командной строки
python -m timeit -n 100 -r 5 "sum(range(1000))"

# В коде
import timeit
print(timeit.timeit("sum(range(1000))", number=1000))

💡 Это простой способ проверить, какой из вариантов реализации быстрее.
Сравнивайте разные подходы и оптимизируйте критичные куски кода на практике.

@pythonl

📐 Agent Reinforcement Trainer — фреймворк для обучения ИИ-агентов через reinforcement learning

Проект предлагает удобный способ прокачки LLM для решения практических задач. Во время работы ART использует метод GRPO и позволяет обучать агентов работать с MCP-серверами, играть в игры и выполнять другие действия через взаимодействие со средой.

Инструмент минимально требователен к данным — система сама анализирует доступные инструменты и генерирует учебные сценарии. Поддерживается интеграция с популярными языковыми моделями, включая Qwen 2.5.

🤖 GitHub

@pythonl

👨‍💻 Omnara — Mission Control для AI-агентов

Что это?
Omnara — это «диспетчерская» для ваших AI-агентов. С её помощью можно управлять и наблюдать за работой агентов в реальном времени: через терминал, веб-интерфейс и мобильное приложение.

Возможности
- Отслеживание всех шагов агента в реальном времени.
- Push-уведомления, когда агент ждёт обратной связи.
- Ответы и контроль прямо с телефона или браузера.
- Единый дашборд для всех агентов.

Почему это удобно
- Не нужно сидеть за ПК, чтобы держать процесс под контролем.
- Всё open-source, можно разворачивать самостоятельно.
- Подходит как для разработчиков-одиночек, так и для команд.

👉 Omnara делает взаимодействие с AI-агентами гибким и удобным: вы всегда в курсе, что они делают, и можете вмешаться в любой момент.

🔗 GitHub

@pythonl

🔥 Успех в IT = скорость + знания + окружение

Здесь ты найдёшь всё это — коротко, по делу и без воды.
Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты!

AI: t.me/ai_machinelearning_big_data
Python: t.me/python_job_interview
Linux: t.me/linuxacademiya
Собеседования DS: t.me/machinelearning_interview
C++ t.me/cpluspluc
Docker: t.me/DevopsDocker
Хакинг: t.me/linuxkalii
Devops: t.me/DevOPSitsec
Data Science: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_1001_notes
Java: t.me/java_library
Базы данных: t.me/sqlhub
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
ИИ: t.me/vistehno
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc
Разработка игр: https://t.me/gamedev
Haskell: t.me/haskell_tg
Физика: t.me/fizmat

💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy

😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno

🎓954ГБ ОПЕНСОРС КУРСОВ: @courses
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

🚀 Lemonade SDK — локальный сервер для LLM с максимальной производительностью

Что это?
Lemonade — это open-source проект (спонсируется AMD), который позволяет запускать большие языковые модели прямо у себя: на ПК, в браузере или на сервере. Всё работает локально, без облака, с поддержкой GPU и NPU, и при этом совместимо со стандартом OpenAI API.

Возможности
- Lemonade Server — локальный сервер, который имитирует OpenAI API. Поддерживает движки llama.cpp (GGUF), ONNX Runtime GenAI и HuggingFace Transformers. Работает с ускорением через Vulkan и ROCm.
- Lemonade CLI — консольный инструмент для запуска моделей, тестов производительности, проверки памяти и точности.
- Python API — простой способ подключить LLM к своим скриптам и приложениям.

Интеграция и совместимость
- Полная поддержка OpenAI API (`/chat/completions`, /completions, /models, /load, /stats и др.).
- SDK доступен для Python, C++, Java, C#, Go, Node.js, Rust, PHP и других языков.

Почему это важно
- Всё работает локально → выше приватность и ниже затраты.
- Автоматическая оптимизация под ваше железо.
- Подходит для продакшн-нагрузок, edge-устройств и экспериментов.
- Удобные инструменты: сервер, CLI, Python API, web-панель.
- Проект активно развивается: свежие релизы выходят каждую неделю.

👉 Репозиторий: [github.com/lemonade-sdk/lemonade](https://github.com/lemonade-sdk/lemonade)

#LLM #AI #Lemonade #OpenSource #AMD

@pythonl

⁉️Хотите начать карьеру Data Scientist? Освойте методы ансамблирования ML

Чтобы понять, как добиться высокого качества предсказания в машинном обучении, присоединяйтесь к открытому вебинару 8 сентября в 18:00 МСК! На уроке мы разберем ключевые методы ансамблирования моделей, которые использует каждый Data Scientist: Бэггинг, Random Forest и Градиентный бустинг. Эти методы помогут вам повысить точность ваших моделей и научиться их эффективно применять в реальных задачах.

После занятия вы будете уверенно работать с ансамблями моделей на Python и знать, как применять их на практике для получения лучших результатов.

➡️ Присоединяйтесь и получите скидку на курс «Machine Learning. Basic»: https://otus.pw/pd7e/?erid=2W5zFHuTx9e

Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🔥 Thyme: Think Beyond Images

Thyme — это инновационная модель, которая улучшает обработку изображений и сложные задачи рассуждения, используя автономное генерирование и выполнение операций через исполняемый код. Она сочетает в себе методы супервайзинга и обучения с подкреплением, обеспечивая высокую точность выполнения кода.

🚀 Основные моменты:
- Автономная генерация и выполнение операций с изображениями.
- Комбинация супервайзинга и обучения с подкреплением.
- Поддержка высокоразрешающей перцепции и сложного рассуждения.
- Использует алгоритм GRPO-ATS для оптимизации работы.

📌 GitHub: https://github.com/yfzhang114/Thyme

🔥 Подборка небанальных Python-трюков, которые реально упрощают жизнь разработчику

🌀 1. functools.cached_property — ленивое свойство с кэшем
Позволяет вычислить значение один раз и потом возвращать готовый результат.

from functools import cached_property
import time

class DataFetcher:
    @cached_property
    def heavy_data(self):
        print("⏳ Запрос к API...")
        time.sleep(2)
        return {"status": "ok", "data": [1, 2, 3]}

obj = DataFetcher()
print(obj.heavy_data)  # первый вызов → считает
print(obj.heavy_data)  # второй вызов → из кэша

🪄 2. contextlib.suppress — игнорируем ошибки красиво

Вместо громоздкого try/except:

import os
from contextlib import suppress

with suppress(FileNotFoundError):
    os.remove("tmp.txt")

👉 Идеально для операций, где ошибка — нормальная ситуация (удаление файла, закрытие сокета и т.п.).

🧩 3. Свой контекстный менеджер через enter / exit

Можно сделать объекты, которые сами открываются и закрываются как файлы.

class DemoResource:
    def __enter__(self):
        print("🔓 Ресурс открыт")
        return self
    
    def __exit__(self, exc_type, exc_value, traceback):
        print("🔒 Ресурс закрыт")
        if exc_type:
            print(f"⚠️ Ошибка: {exc_value}")
        return True  # подавить исключение

with DemoResource() as res:
    print("⚡ Работаем...")
    raise ValueError("Что-то пошло не так!")

👉 Отлично для работы с ресурсами: подключение к БД, временные настройки, логирование.

@pythonl

🔥 Старт олимпиады по ИИ и анализу данных — AIDAO.

🚀 В чем кайф:

- Не теоретически возможные задачи, а приближенные к реальным проектам
- Задачи на онлайн-этап готовит научная лаборатория, а финал — один из сервисов Яндекса
- Командная олимпиада, в которой могут принять участие студенты российских и зарубежных вузов
- Живое общение с экспертами и научными сотрудниками
- Масштабный финал олимпиады в Москве: 32 часа хакатона и общения с комьюнити

Международную олимпиаду организуют ФКН НИУ ВШЭ и Яндекс Образование. Главные призы: 1 млн рублей и бонусы при поступлении на магистратуры ФКН ВШЭ. Регистрируем команду на AIDAO по ссылке.

⚡️КРАСИВЫЙ JSON ИЗ СЛОВАРЯ ЗА 1 СТРОКУ

Сегодня разберём крутую и полезную фишку — как с помощью Python одной строчкой красиво форматировать словарь в JSON с отступами.

import json

data = {
    "user": "Alice",
    "age": 30,
    "skills": ["Python", "Docker", "ML"],
    "active": True,
    "projects": {
        "current": "Chatbot",
        "next": "Data Pipeline"
    }
}

pretty_json = json.dumps(data, indent=4, ensure_ascii=False)
print(pretty_json)

Это особенно удобно при отладке, логировании или подготовке данных для API. Больше не нужно вручную настраивать pprint — просто используй json.dumps с параметрами indent и ensure_ascii!