tgindex

Python вопросы с собеседований

описание

Вопросы с собеседований по Python @workakkk - админ @machinelearning_interview - вопросы с собесдований по Ml @pro_python_code - Python @data_analysis_ml - анализ данных на Python @itchannels_telegram - 🔥 главное в ит РКН: clck.ru/3FmrFd

← к каналу@python_job_interview
24 768
подписчиков
Охват к подписчикам
6,6%
ERR
Реакции к просмотрам
0,35%
264 на 33 постов
Пересылки к просмотрам
1,06%
809
Постов в день
0,9
всего 31

Где отзываются чаще

доля реакций к просмотрам
  • 16:08Полный инженерный курс по AI-агентам на русском: от tool calling до production Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента. Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле. https://github.com/justxor/Aiagentsfullcourse1,96%
  • 13 авг.🐍 Генераторные выражения в Python - один из самых простых способов экономить память. Обычный list comprehension сразу создаёт весь список: squares = [x ** 2 for x in range(1_000_000)] А generator expression вычисляет значения только по мере необходимости: squares = (x ** 2 for x in range(1_000_000)) То есть миллион элементов не хранится в памяти одновременно. Можно получать значения по одному: next(squares) или передать генератор напрямую в: sum(...) max(...) any(...) all(...) Главный плюс - lazy evaluation. Особенно полезно для: - больших файлов; - потоков данных; - длинных последовательностей; - ETL-пайплайнов; - обработки данных, которые не нужно хранить целиком. Но есть нюанс: генератор одноразовый. После того как значения закончились, пройти по нему повторно уже нельзя. Маленький синтаксический приём, который может заметно уменьшить потребление памяти. #Python #Programming #Backend #DataEngineering0,86%
  • 11 авг.Главный секрет bool: он на самом деле int Складываю True и True, получаю 2 Складываешь два True в Python и получаешь 2. Не баг и не магия: bool наследуется от int, поэтому True это единица, а False это ноль. Минута, и ты больше никогда не удивишься sum по списку булевых значений. #python0,80%
  • 26 апр.без подписи0,78%
  • 22 июл.Каким будет вывод этого кода?0,76%
  • 13 авг.🔥 6 AI API, которые можно попробовать бесплатно - сохрани, пригодится Если нужен API для pet-project, прототипа, AI-агента или просто тестов, необязательно сразу подключать платный OpenAI API. Вот что доступно сейчас: * ⚡ Groq - бесплатный rate-limited tier и очень быстрый inference для Llama, GPT-OSS, Qwen и других моделей. console.groq.com/keys * 🤖 Google Gemini - Free Tier для Gemini API с бесплатными input/output токенами на поддерживаемых моделях. aistudio.google.com/apikey * 🌊 Mistral AI - Free mode включён по умолчанию, можно создать API key без банковской карты. Лимиты ниже production-тарифа. console.mistral.ai * 🌸 Pollinations AI - единый API для текста, изображений, аудио и видео, плюс OpenAI-compatible endpoints. Учтите: сервис сейчас развивает систему API-ключей и Pollen credits, поэтому условия бесплатного использования лучше проверять перед интеграцией. pollinations.ai * 🐙 GitHub Models - бесплатный rate-limited доступ к каталогу разных AI-моделей через playground и API. Отлично подходит для прототипирования. github.com/marketplace/models * 🤗 Hugging Face Inference Providers - один API для сотен моделей и разных inference-провайдеров. Бесплатный аккаунт получает небольшие ежемесячные credits для экспериментов. huggingface.co/settings/tokens Важно: free tier ≠ unlimited API. Есть RPM/TPM, дневные квоты, ограничения по моделям и иногда совсем небольшие бесплатные credits. Но для MVP, теста нового агента или weekend-проекта этого часто достаточно, чтобы начать вообще без расходов. 🚀0,72%
  • 8 авг.🚀 ИИ-агент ускорил SQLite до 59% меньше чем за 8 часов Ускорить SQLite хотя бы на 5% уже было бы серьёзным результатом. Это один из самых зрелых и оптимизированных проектов в мире — его команда почти 20 лет выжимает из кода каждую долю производительности. Но AI-агент KISS Sorcar менее чем за 8 часов и с затратами меньше $150 добился заметного ускорения сразу в нескольких типах нагрузки. Результаты: - 2,06× быстрее в официальном speedtest1 (~30 тыс. операций) - 1,90× в TATP — транзакционная OLTP-нагрузка - 1,30× в Star Schema Benchmark — аналитические запросы - 1,25× в kvtest — работа с BLOB и дисковым I/O Агент нашёл места, где стандартная конфигурация SQLite несла лишние расходы — особенно при записи транзакций на диск. После этого он: - изменил код и настройки - прогнал бенчмарки - проверил свои же изменения на ошибки - сохранил совместимость с существующими тестами анализ зрелой кодовой базы → поиск узких мест → изменение реализации → бенчмарки → проверка собственных решений. GitHub: https://github.com/ksenxx/sqlite-optimized/ #AI #SQLite #Programming #CodingAgents #Performance #OpenSource0,61%
  • 31 июл. 2025 г.без подписи0,58%
  • 29 июл.🐍 Python-совет: как объединить списки разной длины Обычный zip() прекращает работу, когда заканчивается самый короткий список: x = [1, 2, 3, 4, 5] y = ["a", "b", "c"] print(list(zip(x, y))) # [(1, "a"), (2, "b"), (3, "c")] Чтобы сохранить все элементы, используйте zip_longest() from itertools import zip_longest print(list(zip_longest(x, y))) # [(1, "a"), (2, "b"), (3, "c"), (4, None), (5, None)] Для пустых позиций можно указать своё значение: result = zip_longest( x, y, fillvalue="нет значения", )``` Полезно при объединении таблиц, колонок и данных из источников разной длины. #Python #Programming #DataProcessing0,57%
  • 13 авг.🔥 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/2959210,53%
  • 11 июн. 2025 г.без подписи0,51%
  • 28 июл.«Сэр… всё кончено. Китайцы выложили веса Kimi K3 в открытый доступ» Moonshot AI опубликовала Kimi K3 на Hugging Face — мультимодальную MoE-модель с 2,8 трлн параметров, из которых на токен активируются около 104 млрд. Что внутри: контекст до 1 млн токенов; работа с текстом и изображениями; длительные агентные задачи и вызов инструментов; программирование, исследование репозиториев и работа с терминалом; нативная квантизация MXFP4. На Terminal-Bench 2.1 авторы заявляют 88,3 балла, а на FrontierSWE — 81,2. Результаты получены в собственном агентном окружении Kimi Code, поэтому сравнивать их нужно с учётом harness. Веса доступны по лицензии Kimi K3 License. Это уже не экспериментальная модель «для посмотреть», а открытый 3T-класс, который можно разворачивать через vLLM или SGLang.0,50%