Python Ninja | Программирование

Наткнулся на весьма неплохой гайд на Хабре для новичков Pytest Если давно хотел разобраться, что за зверь этот pytest и с чего начать, — вот тот самый материал. Минимум занудства, максимум пользы: фикстуры, метки, примеры, лайфхаки После прочтения реально хочется пойти и написать свой первый тест 💪 ☝️ Ссылка источник ✈️ Python Ninja

Этот проект позволяет бесплатно запускать AWS локально. Без аккаунтов и каких-либо обходных схем. Отлично подходит для практики. Называется Floci и поддерживает 69 сервисов, включая S3, SQS, Lambda, DynamoDB и RDS. http://github.com/floci-io/floci ✈️ Python Ninja

Это важно: OpenAI запускает Agent Plugins. Открытый стандарт для упаковки навыков и MCP-серверов в единый пакет, который можно использовать в разных клиентах. Стандарт поддерживают AWS, Cursor, GitHub, Microsoft, Vercel и другие. https://github.com/agentplugins/agent-plugins-spec ✈️ Python Ninja

Rio — это Python-фреймворк для создания сайтов и приложений с компонентами в стиле React, но без необходимости писать HTML, CSS или JavaScript. — всё приложение пишется на Python, отдельный фронтенд-стек не нужен; — есть готовые компоненты, из которых можно собирать собственные элементы и целые приложения; — работает локально и в браузере; — есть туториал, примеры и документация для быстрого старта. https://github.com/rio-labs/rio ✈️ Python Ninja

«Introduction to Machine Learning» — ещё один бесплатный учебник по машинному обучению объёмом около 600 страниц, который делает акцент на глубоком математическом понимании предмета. Книга начинается с математической базы, необходимой для дальнейшего изучения: линейной алгебры, математического анализа, теории вероятностей, матричного анализа и методов оптимизации. Затем разбираются основные алгоритмы обучения с учителем: линейная и логистическая регрессия, метод ближайших соседей, деревья решений, случайные леса, бустинг и нейронные сети. Значительная часть книги посвящена вероятностным и генеративным моделям. Рассматриваются методы Монте-Карло, графические модели, байесовские сети, вариационные методы, нормализующие потоки, вариационные автокодировщики (VAE) и генеративно-состязательные сети (GAN). В заключительных главах обсуждаются кластеризация, метод главных компонент (PCA), обучение на многообразиях и теоретические оценки способности моделей к обобщению. На мой взгляд, это отличный справочник для тех, кто хочет получить широкое представление о машинном обучении и разобраться в математике, лежащей в основе ключевых методов, а не воспринимать их как «чёрный ящик». https://arxiv.org/pdf/2409.02668 ✈️ Python Ninja

Кто-то выложил в открытый доступ Python-скрапер для Google Flights. Он собирает цены на билеты, расписания и данные для бронирования по более чем 180 странам, используя строготипизированные схемы и Protobuf, закодированный в Base64. GitHub: https://github.com/AWeirdDev/flights ✈️ Python Ninja

«The Mathematics of Bitcoin» — короткая работа, которая разбирает Bitcoin с математической точки зрения. В ней используются теория вероятностей, случайные процессы, мартингалы, комбинаторика и специальные функции, чтобы исследовать механизмы протокола Bitcoin. В частности, авторы разбирают вероятность двойной траты, прибыльность майнинга, генерацию блоков, стратегии майнеров и устойчивость протокола. Если хочется копнуть глубже, ещё рекомендую «Bitcoin and Cryptocurrency Technologies» от Принстонского университета. Это уже гораздо более широкое введение в криптографические хеш-функции, цифровые подписи, консенсус, Proof of Work, майнинг, транзакции, анонимность, безопасность и систему стимулов в криптовалютах. Сохраните обе работы в закладки. Это хорошие материалы, если интересно разобраться в математике и технических механизмах Bitcoin. The Mathematics of Bitcoin: https://arxiv.org/pdf/2003.00001 Bitcoin and Cryptocurrency Technologies: https://d28rh4a8wq0iu5.cloudfront.net/bitcointech/readings/princeton_bitcoin_book.pdf ✈️ Python Ninja

без подписи

Директор по исследованиям Google написал корректор орфографии всего в 21 строку Python. Питер Норвиг сделал его как простой пример того, как работает вероятностное исправление опечаток. Скрипт генерирует слова, отличающиеся на одно или два изменения, а затем выбирает наиболее вероятный вариант на основе корпуса текста. ✈️ Python Ninja

🐍 Потокобезопасность в Python: гайд на использование Lock и другие методы — https://realpython.com/python-thread-lock/ ✈️ Python Ninja

Хотите узнать, сколько ядер у вашего процессора с помощью Python? Для этого можно использовать модуль multiprocessing. 👉 @PythonPortal

Не нарушайте принцип единственной ответственности SRP. Функция должна делать одну вещь, делать её хорошо и заниматься только ей. Здесь функция делает слишком много: def calculate_final_total( price: float, quantity: int, discount_rate: float, tax_rate: float ) -> float: subtotal = price * quantity discounted_amount = subtotal * (1 - discount_rate) final_total = discounted_amount * (1 + tax_rate) return final_total Проблема в том, что расчёт суммы, скидки и налога объединён в одном месте. Любое изменение одного из этапов может затронуть всю функцию. Лучше разделить логику на небольшие функции: def calculate_subtotal(price: float, quantity: int) -> float: return price * quantity def apply_discount(subtotal: float, discount: float) -> float: return subtotal * (1 - discount) def calculate_tax(amount: float, tax_rate: float) -> float: return amount * (1 + tax_rate) Так намного лучше. Небольшие функции с одной конкретной задачей проще покрывать юнит-тестами: у них меньше зависимостей и реже нужны моки. Плюс такие компоненты проще переиспользовать в других частях приложения или пайплайна, не подтягивая лишнюю логику. Поэтому держите функции простыми и сфокусированными. Одна функция — одна ответственность. ✈️ Python Ninja

Варианты

Коварный аргумент по умолчанию Что выведет код 😎 ✈️ Python Ninja

Откопал полезное руководство для изучения кластеризации на Python Наткнулся на суперполезный гайд по кластеризации — и если ты ещё не пробовал группировать данные в Python, то пора. Там всё объяснено максимально понятно: от подготовки датасета до того, как K-Means находит свои центроиды и зачем DBSCAN шарахается от шумных точек Короче, инфа, которую реально можно применить уже сегодня — особенно если у тебя есть данные, которые давно просят “разложи нас по смыслу” 👍 ☝️ Ссылка источник ✈️ 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

Замыкания в Python: Динамика переменных Что выведет код? 🪑 ✈️ Python Ninja

Awesome Math — огромная подборка материалов по математике в одном репозитории. Там собраны Khan Academy, MIT OpenCourseWare, конспекты лекций, учебники и другие бесплатные материалы по разным разделам математики. Проект живой и довольно популярный: сейчас у него больше 16 тысяч звёзд на GitHub. https://github.com/rossant/awesome-math 👉 @PythonPortal

Варианты

«Transformer с полной пропускной способностью» Обычно Transformer передаёт на следующий шаг только выбранный токен, хотя сама модель только что вычислила гораздо более богатое скрытое состояние. В этой работе скрытое состояние тоже подаётся обратно в модель. За счёт этого она может продолжать внутренне развивать идею, не расписывая всё токен за токеном. На масштабе 1 млрд параметров подход улучшает результаты в математике, программировании и тестах языковых моделей, добавляя менее 1% к стоимости декодирования. При этом модель может показывать результаты на уровне моделей, обученных примерно на вдвое большем объёме данных. https://alphaxiv.org/abs/2608.08888 ✈️ Python Ninja