🔥 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
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
Forwarded from Machine learning Interview
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.
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
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:
Оказывается,
Идея:
А затем добавить её прямо в модель:
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:
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/
Meta.indexes можно использовать для собственных миграцийОказывается,
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
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
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
Forwarded from Rust Books
Учить Rust через язык, который уже знаешь.
Microsoft собрала бесплатную коллекцию руководств: Rust для разработчиков на C/C++, C# и Python. Вместо объяснений с нуля каждый гид опирается на знакомые концепции и показывает, что в Rust устроено иначе.
Есть и материалы для тех, кто уже пишет на Rust: асинхронность, продвинутые паттерны, проектирование с помощью типов и инженерные практики.
Книги Microsoft - https://microsoft.github.io/RustTraining/
Microsoft собрала бесплатную коллекцию руководств: Rust для разработчиков на C/C++, C# и Python. Вместо объяснений с нуля каждый гид опирается на знакомые концепции и показывает, что в Rust устроено иначе.
Есть и материалы для тех, кто уже пишет на Rust: асинхронность, продвинутые паттерны, проектирование с помощью типов и инженерные практики.
Книги Microsoft - https://microsoft.github.io/RustTraining/
📘 195 страниц математики, чтобы понять, как устроен Generative AI
Вышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию.
Внутри:
- PCA и probabilistic PCA;
- VAE;
- diffusion models;
- normalizing flows;
- autoregressive models;
- GAN и Wasserstein GAN;
- energy-based models.
Автор показывает, как они математически связаны между собой и откуда выводятся основные идеи.
Подойдёт тем, кто уже пользуется LLM и diffusion-моделями, но хочет разобраться глубже, чем на уровне «вот нейросеть, вот loss».
195 страниц, один цельный маршрут по фундаменту Generative AI.
PDF: https://arxiv.org/pdf/2605.29713
Вышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию.
Внутри:
- PCA и probabilistic PCA;
- VAE;
- diffusion models;
- normalizing flows;
- autoregressive models;
- GAN и Wasserstein GAN;
- energy-based models.
Автор показывает, как они математически связаны между собой и откуда выводятся основные идеи.
Подойдёт тем, кто уже пользуется LLM и diffusion-моделями, но хочет разобраться глубже, чем на уровне «вот нейросеть, вот loss».
195 страниц, один цельный маршрут по фундаменту Generative AI.
PDF: https://arxiv.org/pdf/2605.29713
100 вопросов на Python Senior: к чему готовиться на собеседовании в 2026
Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».
Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.
Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.
Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».
Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.
Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.
Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
📓 Лейденский университет выложил бесплатный учебник по ИИ-агентам на 472 страницы
Учебник Agentic Large Language Models на 472 страницы: от токенизации до мультиагентных систем, с практическими кейсами и сайтом курса.
Что внутри
Книга разбита на семь частей. Первая посвящена языковому моделированию: токенизация, эмбеддинги, механизм внимания, весь пайплайн обучения от сбора данных до выравнивания, законы масштабирования, маленькие модели и энергопотребление. Вторая рассказывает о рассуждениях: chain of thought, саморефлексия, мультимодальные модели, vision-language-action модели для роботов, модели мира и метаобучение.
https://uproger.com/agentic-llm-uchebnik-leiden/
Учебник Agentic Large Language Models на 472 страницы: от токенизации до мультиагентных систем, с практическими кейсами и сайтом курса.
Что внутри
Книга разбита на семь частей. Первая посвящена языковому моделированию: токенизация, эмбеддинги, механизм внимания, весь пайплайн обучения от сбора данных до выравнивания, законы масштабирования, маленькие модели и энергопотребление. Вторая рассказывает о рассуждениях: chain of thought, саморефлексия, мультимодальные модели, vision-language-action модели для роботов, модели мира и метаобучение.
https://uproger.com/agentic-llm-uchebnik-leiden/
👨🏻🎓Хотите сменить профессию, но не знаете, с чего начать?
Академия CyberYozh помогает войти в профессию людям разного возраста и с разным опытом, а потом помогает с трудоустройством:
🔹 есть карьерный модуль
🔹 резюме под нужную позицию
🔹 тестовые собеседования и консультации с HR.
Начать можно с бесплатной карьерной консультации.
Есть рассрочка: первые 6 месяцев платежи вносить не нужно. Подробные условия объяснят менеджеры.
👉 Записаться на консультацию
Кибербезопасность можно освоить с нуля!
Академия CyberYozh помогает войти в профессию людям разного возраста и с разным опытом, а потом помогает с трудоустройством:
🔹 есть карьерный модуль
🔹 резюме под нужную позицию
🔹 тестовые собеседования и консультации с HR.
Начать можно с бесплатной карьерной консультации.
На ней расскажут, как устроено обучение, какие направления есть в профессии (пентест, защита, SOC-аналитика) и с чего лучше стартовать именно вам.
Есть рассрочка: первые 6 месяцев платежи вносить не нужно. Подробные условия объяснят менеджеры.
👉 Записаться на консультацию
ИИ научили «телепатии»: модели передают друг другу внутренние представления вместо текста
Обычно один ИИ-агент пишет сообщение, а второй читает его и заново обрабатывает. Swarm Telepathy, или SwaT, позволяет передавать KV-кеш - внутренние данные, которые модель накапливает при обработке контекста.
Особенность метода - обмен между разными семействами моделей. Обучаемый преобразователь адаптирует кеш отправителя для получателя, позволяя пропустить повторную обработку переданного контекста.
В экспериментах, объединяющих SwaT со сжатием KV-кеша, авторы получили в среднем на 40% выше точность и в четыре раза меньше времени, чем при текстовом общении. Проверки охватили 17 бенчмарков, 12 моделей и шесть семейств.
Ещё интереснее эксперимент с изображениями: модель со зрением передавала информацию текстовой модели, и та отвечала на вопросы о картинке точнее, чем после получения текстового описания.
При этом веса обеих моделей оставались замороженными. Для обучения связующего механизма потребовалось менее 50 млн токенов и менее одних GPU-суток. Это результаты исследовательских тестов, а не универсальное ускорение любых агентов.
https://arxiv.org/abs/2610.15095
Обычно один ИИ-агент пишет сообщение, а второй читает его и заново обрабатывает. Swarm Telepathy, или SwaT, позволяет передавать KV-кеш - внутренние данные, которые модель накапливает при обработке контекста.
Особенность метода - обмен между разными семействами моделей. Обучаемый преобразователь адаптирует кеш отправителя для получателя, позволяя пропустить повторную обработку переданного контекста.
В экспериментах, объединяющих SwaT со сжатием KV-кеша, авторы получили в среднем на 40% выше точность и в четыре раза меньше времени, чем при текстовом общении. Проверки охватили 17 бенчмарков, 12 моделей и шесть семейств.
Ещё интереснее эксперимент с изображениями: модель со зрением передавала информацию текстовой модели, и та отвечала на вопросы о картинке точнее, чем после получения текстового описания.
При этом веса обеих моделей оставались замороженными. Для обучения связующего механизма потребовалось менее 50 млн токенов и менее одних GPU-суток. Это результаты исследовательских тестов, а не универсальное ускорение любых агентов.
https://arxiv.org/abs/2610.15095