👨‍💻 87 идей для Python-проектов, которые можно собрать с нуля — идеальный старт для новичка!

Al Sweigart (автор тех самых культовых обучалок по Python) выложил огромную подборку мини-проектов:
🎮 игры,
🧩 головоломки,
🙂 симуляции,
🔊 цифровое искусство.

Каждый проект можно реализовать на чистом Python — без сторонних библиотек и сложной установки. Просто открываешь IDE и начинаешь творить.

Список для тех, кто хочет прокачать навыки, собрать портфолио или просто поискать вдохновение.

👍 Сохраняем и пробуем ТУТ

#python #code

📈 Позиционный трейдинг + ML: от нуля до торговой стратегии за год

Я был максимально далёк от трейдинга. Но однажды решил: почему бы не заставить машину прогнозировать рынок?

История о том, как я прошёл путь от полного нуля до рабочей торговой стратегии, которая теперь приносит деньги.

👇 Статья + код на русском в PDF

#python #article #soft #code

🤖 От Telegram-бота к AI-агенту: как собрать своего «исполнителя задач» на Python в 2025-м

Разберём на практике минимальный AI-агент вокруг Telegram-бота: архитектуру, стек и рабочий код на Python.

Главное отличие от «просто бота» в том, что агент может запускаться без участия пользователя: по расписанию, по событию из очереди, по веб-хуку от другого сервиса и т.д. Он сам инициирует действия и сам приходит к человеку с результатом. Погнали.

👇 Статья на русском + код

#python #article #code

😰 Логирование в Python: руководство разработчика

В этом материале разбираем, как настроить полноценное логирование в Python с помощью встроенного модуля logging:
как логировать переменные и исключения, настраивать собственные логгеры, управлять форматами вывода и превращать отладку из гадания в понятный процесс.

💬 Меньше боли — больше контроля над кодом.

👇 Статья на русском + код

#python #article #code

⚡️ Запускаем DeepSeek у себя на компе с помощью Python

Хочешь LLM у себя на компе: чтобы работала офлайн, не сливала данные и спокойно встраивалась в бота? Тогда берём DeepSeek Coder и запускаем!

⚙️ Установка зависимостей:

pip install -U transformers accelerate torch

▶️ Пример кода:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = "deepseek-ai/deepseek-coder-6.7b-base"

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    trust_remote_code=True,
    torch_dtype=torch.float16,   # если GPU поддерживает fp16
    device_map="auto"            # если есть GPU — будет использовать её
)
model.eval()

prompt = "Напиши telegram бота обратной связи на aiogram"

inputs = tokenizer(prompt, return_tensors="pt")
device = next(model.parameters()).device
inputs = {k: v.to(device) for k, v in inputs.items()}

with torch.inference_mode():
    outputs = model.generate(
        **inputs,
        max_new_tokens=180,
        do_sample=True,      # ВАЖНО: иначе temperature не влияет
        temperature=0.7,
        top_p=0.9
    )

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

➕ Плюсы:
— работает локально (после скачивания весов);
— легко встраивается в Telegram/Discord/CLI;
— можно ускорить на GPU через device_map="auto".

Если памяти мало — есть квантованные версии (4bit/8bit) и GGUF.

👍 Сохраняем

#python #soft #code