🎮🚀 NitroGen: Модель для игровых агентов

NitroGen — это открытая модель для создания универсальных игровых агентов, способная предсказывать действия на основе пиксельного ввода. Обученная на крупнейшем наборе данных игрового видео, модель может адаптироваться к новым играм.

🚀Основные моменты:
- Многофункциональная модель для различных игр.
- Обучение на данных из интернет-видео.
- Поддержка адаптации к новым играм после обучения.
- Работает на Windows с Python ≥ 3.12.

📌 GitHub: https://github.com/MineDojo/NitroGen

#python

☠️ Один Python-скрипт - убивает потребность в Excel #python #Excel

CSV в папке - и через секунды у тебя:
- быстрый анализ без ручных фильтров
- топ товаров и суммарная выручка
- график продаж по дням
- один повторяемый сценарий вместо 20 кликов

Фишка в том, что ты один раз написал скрипт - и дальше просто кидаешь новые CSV, получая одинаковый отчёт каждый раз.

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("sales.csv", parse_dates=["date"])
print("Выручка:", df["revenue"].sum())
print(df.groupby("product")["revenue"].sum().sort_values(ascending=False).head(5))

daily = df.groupby(df["date"].dt.date)["revenue"].sum()
daily.plot(title="Выручка по дням")
plt.tight_layout(); plt.show()

🎄🐍 Новогодний Python фокус для джунов: меньше шума, больше смысла

Новогодний Python-совет: перестань вручную подписывать отладочные принты. Используй f"{var=}", чтобы сразу видеть и имя переменной, и значение — чище, быстрее и без путаницы. Подходит и для пет-проектов, и для продакшена. Подписывайся, больше фишек каждый день !

user = "Santa"
count = 3
items = ["🍪", "🎁", "✨"]

print(f"{user=}")
print(f"{count=}")
print(f"{items=}")

def greet(name):
    return f"Happy New Year, {name}!"

print(f"{greet(user)=}")

🔥 На Stepik вышел топ курс, который учит работать с Docker так, как это делают в реальных проектах с уклоном на реальные рейсы.

Этот практический курс покажет, как упаковывать приложения в контейнеры, собирать лёгкие и безопасные образы, поднимать несколько сервисов через docker-compose и готовить окружение для продакшена.

Ты пройдёшь путь от первого контейнера до полной инфраструктуры: с логами, сетями, томами, переменными окружения, безопасностью и отладкой.

Никакой теории ради теории, только реальные шаги, из которых рождается рабочая среда разработчика и прод-окружение.

🎁 В честь нового года ближайшие 48 часов - скидка 50 процентов!

👉 Начать обучение

🎄🎄 Qwen-Image: обновление как раз к Новому году

Свежая версия Qwen-Image получила заметный апгрейд качества.

Модель стала генерировать намного реалистичнее и аккуратнее, особенно в сложных сценах.

Что изменилось:

• более естественные генерации людей, меньше «искусственного» эффекта
• детальнее лица и мимика
• улучшены натуральные текстуры: вода, шерсть, материалы, пейзажи
• намного аккуратнее текст на картинках: лучше верстка и точность в композиции

Модель прошла более 10 000 слепых сравнений на AI Arena и показала результат уровня топов среди open-source, оставаясь конкурентной даже рядом с закрытыми решениями.


▪Qwen Chat: https://chat.qwen.ai/?inputFeature=t2i
▪Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2512
▪ModelScope: https://modelscope.ai/models/Qwen/Qwen-Image-2512
▪GitHub: https://github.com/QwenLM/Qwen-Image
▪Блог: https://qwen.ai/blog?id=qwen-image-2512
▪Демо HF: https://huggingface.co/spaces/Qwen/Qwen-Image-2512
▪Демо ModelScope: https://modelscope.cn/aigc/imageGeneration
▪API: https://modelstudio.console.alibabacloud.com/?tab=doc#/doc/?type=model&url=2840914_2&modelId=group-qwen-image-max

@ai_machinelearning_big_data

#qwen #qwenimage #openaimodels #imagemodels

🧠 Claude Cognitive: Умная память для Claude Code

Claude Cognitive добавляет рабочую память к Claude Code, позволяя эффективно управлять контекстом и координировать многопоточную работу. Это решение значительно снижает затраты токенов и улучшает производительность разработчиков, обеспечивая сохранение контекста и предотвращая дублирование работы.

🚀Основные моменты:
- Умная маршрутизация файлов с учетом внимания (HOT/WARM/COLD).
- Многофункциональная координация состояния для долгосрочных сессий.
- Экономия токенов до 95% в зависимости от размера кодовой базы.
- Поддержка многопоточной работы без повторного открытия задач.

📌 GitHub: https://github.com/GMaN1911/claude-cognitive

🔥 Какой базовый Docker-образ Python стоит выбирать для финансовых задач.

- В большинстве задач разница в скорости между образами не превышает ~10 %.
- Поэтому по умолчанию выгоднее брать маленький образ python:3.14-slim (~150 МБ), а не тяжёлые Anaconda/Intel (~3 ГБ).
- Исключение — тяжёлая линейная алгебра на Intel CPU: там MKL даёт заметное ускорение (1.1×–2×).

Реальный кейс из хедж-фонда

- Команда использовала Intel Python для ночных batch-задач.
- После перехода на python:3.14-slim джобы ускорились примерно на 40 %, без изменения кода.
- Причина — выигрыш дал новый интерпретатор Python 3.14, а не библиотека MKL, потому что нагрузка была больше про pandas и бизнес-логику, чем про чистые матрицы.

Ключевая идея:
меньше время обработки — быстрее решения и реакции рынка.

Как выбирать образ: простое «дерево решений»

1️⃣ По CPU

AMD (Ryzen, EPYC, Threadripper)
- Использовать python:3.14-slim.
- MKL из Intel Python / Anaconda на AMD часто даже медленнее из-за особенностей оптимизаций.

Intel (Xeon, Core)
- Если основная нагрузка — плотная линейная алгебра (умножение матриц, SVD и т. д.), тогда имеет смысл Intel Python или Anaconda (MKL).
- Если ETL, pandas, смешанные пайплайны — python:3.14-slim почти не уступает, но гораздо легче.

2️⃣ По типу нагрузки

- IO-bound (файлы, сети, БД) — образ почти не влияет, выигрывает slim из-за размера.
- ETL на pandas/Polars — разница 5–10 %, slim обычно оптимален.
- BLAS-heavy (NumPy-линейка)
- Intel CPU — MKL-образы могут дать 1.5–2× ускорение.
- AMD CPU — OpenBLAS в slim обычно быстрее.
- CPU-bound Python (циклы, логика) — важен сам интерпретатор и multiprocessing.

GIL и параллелизм

- GIL не даёт потокам ускорять CPU-bound задачи.
- Для CPU-bound лучше применять multiprocessing, ProcessPoolExecutor, joblib, Numba.
- BLAS (NumPy) параллелится сам — потоками на уровне C-кода, GIL не мешает.

Почему Python 3.14 так важен

- Интерпретатор 3.14 даёт +10–20 % к производительности CPU-bound кода.
- Intel Python и Anaconda пока чаще держатся на 3.12 — из-за этого они иногда медленнее даже при наличии MKL.

Общий практический вывод

- Начинать почти всегда стоит с python:3.14-slim — он компактный, быстрый и современный.
- Идти в Intel/Anaconda только если:
- у вас Intel-сервер,
- значимая часть времени уходит на чистую линейную алгебру,
- замеры показывают реальную выгоду.

Если коротко:
бери самый маленький образ по умолчанию и отходи от него только тогда, когда честные бенчмарки на твоём железе доказывают обратное.

https://jiripik.com/2025/12/19/choosing-the-right-python-docker-image-for-finance-workloads/

100 технических вопросов для интервью Data Analyst / Data Scientist (Middle/Senior)

В этом руководстве мы подробно разберем 100 реальных технических вопросов, которые часто встречаются на собеседованиях для аналитиков данных и специалистов по данным уровня middle и senior.

Вопросы сгруппированы по типам компаний (FAANG, стартапы, финтех, консалтинг), по уровню позиции (middle или senior) и по ключевым категориям знаний.

Используя этот гайд, вы сможете оценить свой уровень подготовки, понять глубину ответов, ожидаемую от опытных кандидатов, и избежать популярных ошибок. Давайте перейдем к вопросам. FAANG: Интервью в крупных технокомпаниях (FAANG – Amazon, Apple, Netflix, Google и аналогичные крупные IT-компании) Middle-уровень – FAANG
SQL – примеры вопросов (Middle, FAANG)

https://uproger.com/100-tehnicheskih-voprosov-dlya-intervyu-data-analyst-data-scientist-middle-senior/

🚀 21 урок для инженеров от человека с 14-летним опытом в Google

Addy Osmani собрал ключевые выводы из своей карьеры в Google — не про фреймворки и хайп, а про то, что реально делает инженера сильнее.

Основные идеи:
- решай проблемы пользователей, а не абстрактные задачи
- цени ясность и простоту кода больше, чем сложные трюки
- умей договариваться и работать в команде, а не просто быть правым
- быстрее расти помогают не обсуждения, а итерации и действие
- долгосрочный рост — это обучение, обратная связь и передача знаний

Это не мотивационный текст, а практичный взгляд на то, как выглядит инженерная карьера изнутри большой технологической компании.

Полезно прочитать каждому, кто строит карьеру в разработке и хочет расти системно, а не случайно.

https://www.youtube.com/watch?v=fAzrx_t7IAE