📚 Бесплатная книга по causal inference + ML

Applied Causal Inference Powered by Machine Learning and AI - большая открытая книга про причинно-следственный анализ с современным уклоном в машинное обучение и AI.

Внутри:

* causal graphs и DAG
* потенциальные исходы
* A/B и observational data
* propensity score
* matching и weighting
* heterogeneous treatment effects
* Double/Debiased Machine Learning
* causal forests
* uplift и policy learning
* связь causal inference с современными ML-моделями

Подойдёт тем, кто хочет выйти за пределы обычной корреляции и разбираться, что действительно влияет на результат.

496 страниц, PDF доступен бесплатно:

http://arxiv.org/abs/2403.02467

Интегрируйте OCR в ваш Python-продукт за 15 минут 🚀

Создаёте SaaS, автоматизируете B2B или собираете ИИ-агентов на Python? Забудьте про облачные костыли и отправку конфиденциальных данных на чужие сервера!

Provision OCR — российский движок для локального распознавания документов в защищенном контуре.

⚡️ Python-friendly: интеграция через REST API и gRPC для FastAPI, Django или Flask.
⚡️ Docker-ready: быстрый запуск в один контейнер без сложной настройки окружения.
⚡️ 100% локальности: полное соответствие требованиям безопасности.
⚡️ Производительность: от <3 сек/стр. на GPU (RTX 2070+) или работа на CPU, точность до 99%.
⚡️Готовые шаблоны любых документов на русском: договоры, счета-фактуры и другие.

💻 Пример интеграции с Django:
https://github.com/Provision-Labs/Django_OCR_UI

💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs

#Python #Django #FastAPI #OCR #ProvisionOCR #Backend #OnPremise #AI #DevOps #OpenSource #ИИ

🔥 Face Anything - восстановление 4D-лица из любой последовательности изображений

На ECCV 2026 представили Face Anything - unified feed-forward модель для высокоточного 4D face reconstruction и плотного трекинга лица.

Ключевая идея - canonical facial point prediction: каждому пикселю назначается нормализованная координата лица в общем каноническом пространстве.

Это позволяет объединить dense tracking и динамическую реконструкцию в одну задачу и получать:

* стабильную геометрию между кадрами
* точные соответствия facial points
* 4D-реконструкцию из произвольной последовательности изображений

Код:
https://github.com/kocasariumut/FaceAnything

🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.

Stepik: «Python современный AI для разработчика и автоматизации задач»

63 урока, 382 шага, практика с кодом и автопроверкой.

Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.

Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.

Для тех, кто уже знает Python и хочет перейти к production AI.

⏳ 72 часа скидка 55%

https://stepik.org/a/295921

MIT бесплатно выложил 920-страничный учебник Mathematics for Computer Science.

Это большой курс по математике, которая реально нужна в Computer Science.

Внутри:

- логика и доказательства
- множества и отношения
- индукция
- графы
- теория чисел
- рекуррентные соотношения
- комбинаторика
- вероятность
- дискретные структуры и алгоритмическое мышление

Хорошая база для алгоритмов, теории вычислений и более серьёзного изучения CS.

📗 PDF доступен бесплатно.

📚 Бесплатный 17-страничный PDF по Hidden Markov Models

Короткий и плотный разбор HMM от Stanford.

Внутри:

- скрытые состояния и наблюдения
- transition и emission probabilities
- вычисление вероятности последовательности
- Forward algorithm
- Viterbi algorithm
- обучение параметров модели
- базовые примеры применения

Хороший материал, чтобы быстро понять HMM без огромного учебника.

PDF:
https://web.stanford.edu/~jurafsky/slp3/A.pdf

🔥 Хак в Django: Meta.indexes можно использовать для собственных миграций

Оказывается, models.Index в Django можно превратить почти в универсальную migration-операцию.

Идея:

class CustomMigrationOperation(models.Index):
    def create_sql(self, model, schema_editor, **kwargs):
        ...

    def remove_sql(self, model, schema_editor, **kwargs):
        ...

А затем добавить её прямо в модель:

class Meta:
    indexes = [CustomMigrationOperation()]

После этого makemigrations сам подхватит изменение, а migrate выполнит нужный SQL.

Почему это работает:

Index уже умеет генерировать SQL через create_sql() и remove_sql().

Так можно описывать не только индексы, но и:

triggers
table comments
security labels
другие schema-level настройки

Автор использовал этот приём для PostgreSQL Anonymizer, чтобы правила анонимизации жили рядом с моделью и автоматически попадали в миграции.

Подход довольно hacky, но как способ расширить механизм миграций Django — очень интересный.

https://www.better-simple.com/django/2026/09/02/nifty-feature-use-index-for-custom-migrations/

📘 Elementary Probability for Applications - бесплатная книга по теории вероятностей

163 страницы с базой по вероятностям и прикладными примерами.

Подойдёт тем, кто хочет нормально разобраться в случайных событиях, распределениях, ожиданиях и других основах, которые постоянно встречаются в Data Science и Machine Learning.

Хороший компактный материал без перегруза.

https://clcoding.com/2026/07/elementary-probability-for-applications.html

Бесплатная книга по Physics-based Deep Learning

461-страничный учебник о применении глубокого обучения в физических симуляциях.

Внутри:

- Physics-Informed Neural Networks
- физические ограничения в loss-функциях
- дифференцируемые симуляции
- обучение с подкреплением
- моделирование неопределённости
- практические примеры в Jupyter Notebook

Полезно для изучения научного ML, PINN и нейросетевого решения физических задач.

https://arxiv.org/abs/2109.05237