EDA в Python для новичков: что почитать и где попрактиковаться
https://habr.com/ru/companies/yandex_praktikum/articles/952084/

Разведочный или исследовательский анализ данных (Exploratory Data Analysis, EDA) — это этап работы с данными, на котором аналитик изучает доступную информацию перед построением сложных аналитических моделей. Это основа работы с данными, которая помогает понять, какая информация доступна и возникнут ли трудности с будущим анализом.

Паттерны программирования при работе с LLM
https://habr.com/ru/articles/953580/

LLM - мощный инструмент, но его эффективность в продакшене зависит не от одного «хитрого промпта», а от всей архитектуры: что мы даём модели, как управляем её рассуждением и как проверяем/обрабатываем результат. В этой статье - компактная карта паттернов, разбитая по этапам конвейера: Input -> Reasoning -> Output.

AI Review кода за 30 минут: локальная LLM прямо в CI/CD
https://habr.com/ru/articles/953598/

Как за полчаса подключить автоматическое ревью кода с помощью AI Review и локальной LLM Ollama прямо в CI/CD — без токенов и VPN.

functions: a complete guide
https://mathspp.com/blog/pydonts/functions-a-complete-reference

pymongo - 4.15.3
https://pypi.org/project/pymongo/4.15.3/

Python интерфейс для MongoDB. Скачать можно по ссылке: https://pypi.python.org/pypi/pymongo/

Опыт гуманитария в дообучении LLM с помощью WebUI Text Generation
https://habr.com/ru/articles/953352/

Продолжаю делиться опытом освоения нейросетей человеком с гуманитарным образованием и без IT-бэкграунда. На этот раз моей целью было разобраться, как происходит дообучение готовых LLM-моделей, как выстраивать процесс, какие использовать данные, модели, настройки и прочее. Зачем мне это понадобилось?

[Видео] Подход к глубоким изменениям. Миграция SDN в боевом облаке на Python
https://www.youtube.com/watch?v=vGlthP67m1A

Расскажу, как мы в продакшене публичного облака полностью заменили ключевой компонент виртуальной сети, SDN, так, чтобы (почти) ни один клиент этого не заметил. Этот доклад — о том, как спроектировать архитектуру, способную к таким изменениям, как минимизировать риски при большой миграции, и какие инженерные и организационные решения помогли нам пройти этот путь.

[Видео] Как вайбкодить по-сениорски
https://www.youtube.com/watch?v=OdOtzzo5XB0

Кто-то его отрицает, кто-то смотрит на него косо и надменно, но нам не убежать от вайбкодинга. В докладе я расскажу о подходах и настройках, которые позволят вашему Copilot (или любой другой LLM интеграции) писать более качественный Python код из коробки.

[Видео] Дотянуться до кремния. HighLoad Python: SIMD, GPU
https://www.youtube.com/watch?v=QgC8FWu6-2I

Python в 2025-м — уже не «скрипт», а инструмент, который жмёт на железо: AVX-512/SVE, Tensor Cores, NVLink/NVSwitch, HBM. Но где хватит CPU-SIMD и горизонтального масштабирования, а где GPU окупает TCO? На живых бенчмарках сравним NumPy2 (SIMD), Numba, и GPU-стек. Разберём устройство C/GPU на уровне принятия решений (SM/warps, Tensor Cores, MIG).

virtualenv - 20.35.0
https://pypi.org/project/virtualenv/20.35.0/

Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv

Как я пытался ускорить анализ 12 000 комментариев с помощью GPU за 50 тысяч, но победил процессор
https://habr.com/ru/articles/953034/

История о том, как я хотел провести анализ комментариев, а в итоге получил неожиданный, но полезный опыт с локальным AI. Недавно передо мной встала задача собрать все положительные комментарии к моим статьям. Веду их учёт в таблице, и там уже вполне серьёзные цифры — больше 300 строк и свыше 10 тысяч комментариев.

Как мы захотели контролировать SPILL’ы в Greenplum и сделали «Демократизатор»
https://habr.com/ru/companies/rostelecom/articles/954164/

Представьте: Один неоптимизированный запрос от неопытного коллеги - и вот уже 40 ТБ SPILL-файлов парализуют систему.Срабатывает лимит на уровне Greenplum, запрос завершён. Никто ничего не знает.Создаются заявки, пишутся письма, пользователь недоволен.Это не какая-то выдуманная история, а обычный будний день в большом Greenplum. Вернее, так было раньше.

PEP 810: Explicit Lazy Imports (Added)
https://peps.python.org/pep-0810/

Черновик предложения по ленивому импорту.

subprocesslib: Like pathlib for the subprocess Module
https://pypi.org/project/subprocesslib/

air: New Python Web Framework
https://github.com/feldroy/air

fastapi-radar: Debugging Dashboard for FastAPI Apps
https://github.com/doganarif/fastapi-radar

virtualenv - 20.35.1
https://pypi.org/project/virtualenv/20.35.1/

Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv

Django 6.0: Ключевые функции, критические изменения
https://habr.com/ru/articles/954390/

В Django 6.0 есть кое-что для вас. Давайте рассмотрим самые важные новые функции и изменения, о которых вам нужно знать.

От нестационарности к прогнозу: пайплайн анализа и моделирования временных рядов
https://habr.com/ru/companies/sberbank/articles/954636/

Мы много предсказываем, классифицируем и прогнозируем. Впервые столкнувшись с последним и проведя исследование по этой теме, я столкнулся с большим количеством неструктурированной информации. Эта статья — одновременно описание моего пути и небольшое упорядоченное наставление по анализу и прогнозированию временных рядов, которое я сам хотел бы получить.

psycopg2 - 2.9.11
https://pypi.org/project/psycopg2/2.9.11/

Python интерфейс для PostgreSQL. Скачать можно по ссылке: https://pypi.python.org/pypi/psycopg2/