25 лучших бесплатных ресурсов для изучения ИИ в 2026 году
Курсы Стэнфорда и MIT, книги, YouTube-каналы и открытые репозитории для изучения ИИ с нуля до LLM и агентов. Подборка по этапам и готовый маршрут обучения.
https://uproger.com/25-resursov-dlya-izucheniya-ii-2026/
Курсы Стэнфорда и MIT, книги, YouTube-каналы и открытые репозитории для изучения ИИ с нуля до LLM и агентов. Подборка по этапам и готовый маршрут обучения.
https://uproger.com/25-resursov-dlya-izucheniya-ii-2026/
❤3👍2
В Python 3.15 одна звёздочка заменяет вложенный цикл
Раньше для объединения списков писали:
Теперь достаточно:
Двойная звёздочка объединяет словари:
При совпадении ключей побеждает последнее значение — удобно собирать настройки из нескольких источников.
Распаковка убирает один уровень вложенности. В Python 3.14 такой синтаксис внутри comprehensions вызовет
https://peps.python.org/pep-0798/
Раньше для объединения списков писали:
rows = [[1, 2], [3], [4, 5]]
flat = [x for row in rows for x in row]
Теперь достаточно:
flat = [*row for row in rows]
# [1, 2, 3, 4, 5]
Двойная звёздочка объединяет словари:
configs = [
{"debug": False, "timeout": 10},
{"timeout": 30},
]
config = {**part for part in configs}
# {'debug': False, 'timeout': 30}
При совпадении ключей побеждает последнее значение — удобно собирать настройки из нескольких источников.
Распаковка убирает один уровень вложенности. В Python 3.14 такой синтаксис внутри comprehensions вызовет
SyntaxError.https://peps.python.org/pep-0798/
❤13👍5🔥2
LLM в 200 раз быстрее: скоринг вместо генерации
Как превратить открытую LLM в быстрый локальный движок решений через скоринг следующего токена в SGLang: код, тесты на Qwen и сравнение с генерацией.
Многие вызовы LLM в продакшене вообще не требуют нового текста. Приложение заранее знает все допустимые ответы, и модели остается только выбрать один из них. Классический пример: тикет в поддержку «С меня дважды списали деньги за одну и ту же подписку», который нужно отправить в биллинг, техподдержку или отдел доступа к аккаунтам.
https://uproger.com/lokalnaya-llm-jev-skoring-sglang/
Как превратить открытую LLM в быстрый локальный движок решений через скоринг следующего токена в SGLang: код, тесты на Qwen и сравнение с генерацией.
Многие вызовы LLM в продакшене вообще не требуют нового текста. Приложение заранее знает все допустимые ответы, и модели остается только выбрать один из них. Классический пример: тикет в поддержку «С меня дважды списали деньги за одну и ту же подписку», который нужно отправить в биллинг, техподдержку или отдел доступа к аккаунтам.
https://uproger.com/lokalnaya-llm-jev-skoring-sglang/
❤4👍2🔥1
Как выучить Python с нуля в 2026 году: пошаговый план для начинающих
Пошаговый план изучения Python с нуля: установка, синтаксис, первые проекты, ошибки новичков и ответы на частые вопросы. С примерами кода.
Python — один из самых популярных языков программирования в мире.
В этой статье - пошаговый план, как выучить Python с нуля: от установки до первых проектов, с примерами кода, типичными ошибками новичков и ответами на частые вопросы.
https://uproger.com/kak-vyuchit-python-s-nulya/
Пошаговый план изучения Python с нуля: установка, синтаксис, первые проекты, ошибки новичков и ответы на частые вопросы. С примерами кода.
Python — один из самых популярных языков программирования в мире.
В этой статье - пошаговый план, как выучить Python с нуля: от установки до первых проектов, с примерами кода, типичными ошибками новичков и ответами на частые вопросы.
https://uproger.com/kak-vyuchit-python-s-nulya/
👍3❤2🔥1
LRU-кэш на Python: разбор задачи с собеседования (O(1), OrderedDict, TTL)
Разбираем LRU-кэш на Python за O(1): двусвязный список и хеш-таблица, решение через OrderedDict, TTL и потокобезопасность. Код, тесты и типичные ошибки.
LRU-кэш (Least Recently Used) - одна из самых популярных задач на собеседованиях Python-разработчиков уровня middle и senior. Она короткая, но сразу показывает, понимает ли кандидат сложность алгоритмов, умеет ли комбинировать структуры данных и пишет ли чистый код. В этой статье разберём задачу по шагам: от наивного решения к оптимальному за O(1), затем к Pythonic-версии через OrderedDict и к усложнениям, которые любят давать интервьюеры.
https://uproger.com/lru-cache-python-sobesedovanie/
Разбираем LRU-кэш на Python за O(1): двусвязный список и хеш-таблица, решение через OrderedDict, TTL и потокобезопасность. Код, тесты и типичные ошибки.
LRU-кэш (Least Recently Used) - одна из самых популярных задач на собеседованиях Python-разработчиков уровня middle и senior. Она короткая, но сразу показывает, понимает ли кандидат сложность алгоритмов, умеет ли комбинировать структуры данных и пишет ли чистый код. В этой статье разберём задачу по шагам: от наивного решения к оптимальному за O(1), затем к Pythonic-версии через OrderedDict и к усложнениям, которые любят давать интервьюеры.
https://uproger.com/lru-cache-python-sobesedovanie/
❤2👍2🔥1
Django 6.1: загрузка связанных данных по требованию, каскадное удаление силами БД и новая настройка почты.
Релиз вышел 5 августа. Три основных изменения:
1. Новые режимы загрузки полей
В этом примере Django выполняет два запроса: за книгами и за их авторами.
Режим `FETCH_RAISE` вместо неявного запроса выбрасывает исключение – полезно для обнаружения неожиданных обращений к БД.
2. Удаление на уровне базы
Для
Нюанс: `DB_CASCADE` не вызывает сигналы `pre_delete` и `post_delete`.
3. Несколько почтовых бэкендов
Настройка `MAILERS` позволяет описывать разные подключения словарём, а при отправке выбирать нужное через
Перед обновлением проверьте версии БД: нужны PostgreSQL 15+, MySQL 8.4+, MariaDB 10.11+ или SQLite 3.37+.
https://www.djangoproject.com/weblog/2026/aug/05/django-61-released/
Релиз вышел 5 августа. Три основных изменения:
1. Новые режимы загрузки полей
FETCH_PEERS при обращении к незагруженному полю получает данные сразу для объектов из того же QuerySet. Это помогает бороться с N+1:
from django.db import models
books = Book.objects.fetch_mode(models.FETCH_PEERS)
for book in books:
print(book.author.name)
В этом примере Django выполняет два запроса: за книгами и за их авторами.
Режим `FETCH_RAISE` вместо неявного запроса выбрасывает исключение – полезно для обнаружения неожиданных обращений к БД.
2. Удаление на уровне базы
Для
ForeignKey.on_delete появились `DB_CASCADE`, `DB_SET_NULL` и `DB_SET_DEFAULT`. Логику выполняет сама БД через SQL ON DELETE.Нюанс: `DB_CASCADE` не вызывает сигналы `pre_delete` и `post_delete`.
3. Несколько почтовых бэкендов
Настройка `MAILERS` позволяет описывать разные подключения словарём, а при отправке выбирать нужное через
using.Перед обновлением проверьте версии БД: нужны PostgreSQL 15+, MySQL 8.4+, MariaDB 10.11+ или SQLite 3.37+.
https://www.djangoproject.com/weblog/2026/aug/05/django-61-released/
Django Project
Django 6.1 released
Posted by Jacob Walls on Aug. 5, 2026
❤4👏2👍1
Одна библиотека для сериализации и проверки данных в Python
🔥 msgspec объединяет работу с JSON, MessagePack и валидацию типов.
Что внутри:
- Быстрая сериализация.
- Проверка данных по типам.
- Поддержка JSON и MessagePack.
- Типизированные структуры Python.
Установка: pip install msgspec
Стоит присмотреться, если в проекте много обмена структурированными данными и хочется совместить их обработку с проверкой.
https://github.com/msgspec/msgspec
🔥 msgspec объединяет работу с JSON, MessagePack и валидацию типов.
Что внутри:
- Быстрая сериализация.
- Проверка данных по типам.
- Поддержка JSON и MessagePack.
- Типизированные структуры Python.
Установка: pip install msgspec
Стоит присмотреться, если в проекте много обмена структурированными данными и хочется совместить их обработку с проверкой.
https://github.com/msgspec/msgspec
❤4🔥2👍1
📄️️️️️️ Agent Harness Course 2026 - как построить своего AI-агента с нуля
Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта.
Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками.
Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним.
https://github.com/justxor/agent-harness-course/
Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта.
Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками.
Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним.
https://github.com/justxor/agent-harness-course/
❤6👍3🥰1
Зачем вам Hugo и Jekyll? На Python теперь можно собрать статический сайт в три строки
Разработчик nanodjango показал, как превратить Django в генератор статических сайтов без сложной конфигурации и десятков файлов.
Всё приложение:
Устанавливаем зависимости:
Теперь достаточно положить Markdown-файлы в папку
Что особенно интересно:
- Markdown и HTML с поддержкой frontmatter.
- Автоматическая перезагрузка страниц при редактировании.
- Генерация статического сайта одной командой.
- Поддержка Django ORM, моделей и админки.
- Возможность превратить проект в полноценное веб-приложение без переписывания с нуля.
Сборка HTML:
Самая необычная возможность: можно управлять контентом через Django Admin и базу данных, а на выходе получать обычные статические HTML-файлы без серверной логики.
Подойдёт для документации, блогов, лендингов и небольших сайтов.
https://nanodjango.dev/blog/2026-10-static-site-builder/
Разработчик nanodjango показал, как превратить Django в генератор статических сайтов без сложной конфигурации и десятков файлов.
Всё приложение:
from nanodjango import Django
app = Django()
app.pages("/", path="pages")
Устанавливаем зависимости:
pip install nanodjango django-nanopages django-distill
Теперь достаточно положить Markdown-файлы в папку
pages/. Они автоматически превращаются в страницы с поддержкой Django-шаблонов.Что особенно интересно:
- Markdown и HTML с поддержкой frontmatter.
- Автоматическая перезагрузка страниц при редактировании.
- Генерация статического сайта одной командой.
- Поддержка Django ORM, моделей и админки.
- Возможность превратить проект в полноценное веб-приложение без переписывания с нуля.
Сборка HTML:
nanodjango manage website.py distill generate \
--output-directory=output/ --collectstatic
Самая необычная возможность: можно управлять контентом через Django Admin и базу данных, а на выходе получать обычные статические HTML-файлы без серверной логики.
Подойдёт для документации, блогов, лендингов и небольших сайтов.
https://nanodjango.dev/blog/2026-10-static-site-builder/
👍4❤3🔥3🤔1
Media is too big
VIEW IN TELEGRAM
10 лет программирования на Python за 10 минут. База, которая сэкономит тебе годы
Всё, что обычно понимаешь только через годы работы и код-ревью: как Python хранит данные, питонический стиль, структуры данных, декораторы, генераторы, dataclass, обработка ошибок, типы и тесты, uv и pyproject.toml, профилирование, asyncio и numpy. Без синтаксиса для новичков, только опыт.
00:00 Вступление
00:16 Год 1. Как Python хранит данные
01:10 Год 2. Пиши по-питоновски
01:58 Год 3. Структуры данных
02:47 Год 4. Функции как объекты
03:41 Год 5. Генераторы
04:30 Год 6. ООП по-питоновски
05:22 Год 7. Ошибки и ресурсы
06:01 Год 8. Типы и тесты
06:42 Год 9. Окружение и проекты
07:27 Год 10. Производительность
08:12 Итоги
https://www.youtube.com/watch?v=yQH3Hoo7JeM
Всё, что обычно понимаешь только через годы работы и код-ревью: как Python хранит данные, питонический стиль, структуры данных, декораторы, генераторы, dataclass, обработка ошибок, типы и тесты, uv и pyproject.toml, профилирование, asyncio и numpy. Без синтаксиса для новичков, только опыт.
00:00 Вступление
00:16 Год 1. Как Python хранит данные
01:10 Год 2. Пиши по-питоновски
01:58 Год 3. Структуры данных
02:47 Год 4. Функции как объекты
03:41 Год 5. Генераторы
04:30 Год 6. ООП по-питоновски
05:22 Год 7. Ошибки и ресурсы
06:01 Год 8. Типы и тесты
06:42 Год 9. Окружение и проекты
07:27 Год 10. Производительность
08:12 Итоги
https://www.youtube.com/watch?v=yQH3Hoo7JeM
🥴6👍5🔥2
Python: одна строка, которая изменит список, а потом выбросит исключение
Что выведет этот код?
Варианты:
A
B
C
D
Здесь проверяется сразу несколько особенностей Python: неизменяемость кортежей, изменяемость вложенных объектов и поведение оператора
Какой вариант правильный и почему?
Что выведет этот код?
data = ([1, 2],)
try:
data[0] += [3]
except TypeError:
print("Ошибка!")
print(data)
Варианты:
A
Ошибка!
([1, 2],)
B
Ошибка!
([1, 2, 3],)
C
([1, 2, 3],)
D
TypeError: 'tuple' object does not support item assignment
Здесь проверяется сразу несколько особенностей Python: неизменяемость кортежей, изменяемость вложенных объектов и поведение оператора
+=.Какой вариант правильный и почему?
❤4👍3🔥1
Если давно хотел разобраться в теме, но постоянно откладывал или терялся среди десятков материалов, этот курс на Stepik поможет выстроить обучение последовательно.
Что получишь:
- Понятные объяснения без лишней воды.
- Практические задания для закрепления знаний.
- Возможность учиться в удобном темпе.
- Структурированный подход вместо хаотичного поиска информации.
Подойдёт тем, кто начинает с нуля или хочет систематизировать знания.
Начни прокачивать навыки уже сейчас:
https://stepik.org/course/303477/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1🔥1😁1
Python: задача, на которой легко ошибиться даже опытному разработчику 🧠
Что выведет этот код?
Варианты:
A
B
C
D
Здесь проверяется неочевидная особенность Python: порядок вычисления правой части множественного присваивания и последовательность присваивания целевых переменных.
У задачи есть подвох, связанный с тем, в какой момент Python вычисляет индекс
Какой вариант правильный? Объясните порядок выполнения по шагам.
Что выведет этот код?
a = [0, 1, 2]
i = 0
i, a[i] = 1, a[i] + 10
print(a, i)
Варианты:
A
[10, 1, 2] 1
B
[0, 10, 2] 1
C
[0, 1, 12] 1
D
IndexError
Здесь проверяется неочевидная особенность Python: порядок вычисления правой части множественного присваивания и последовательность присваивания целевых переменных.
У задачи есть подвох, связанный с тем, в какой момент Python вычисляет индекс
a[i].Какой вариант правильный? Объясните порядок выполнения по шагам.
❤3👍3
Python научился разбирать JSON со скоростью 65,7 ГБ/с. И всё это в одном процессе
Здесь показано как использовать свободную многопоточность Python 3.14 и библиотеку
В эксперименте обработали 7,6 ГБ данных и 2,2 млн событий GitHub.
Результаты на сервере с 64 ядрами Intel Xeon:
На одном ядре Lazy-режим показал 2,13 ГБ/с против 0,18 ГБ/с у стандартного
В чём секрет?
В результате обработка 7,6 ГБ данных заняла около 0,12 секунды.
Установка:
Для эксперимента использовался Python 3.14.6 в free-threaded-сборке без GIL.
Бенчмарк: https://github.com/lemire/fastsimdjson
Исследование: https://lemire.me/blog/2026/10/12/parsing-json-at-tens-of-gigabytes-per-second-in-python/
Здесь показано как использовать свободную многопоточность Python 3.14 и библиотеку
fastsimdjson для экстремально быстрой обработки JSON.В эксперименте обработали 7,6 ГБ данных и 2,2 млн событий GitHub.
Результаты на сервере с 64 ядрами Intel Xeon:
| Парсер | Скорость |
|---|---:|
| Python `json` | 3,17 ГБ/с |
| `msgspec` | 24,6 ГБ/с |
| `fastsimdjson` | 29,8 ГБ/с |
| `fastsimdjson` Lazy | **65,7 ГБ/с** |На одном ядре Lazy-режим показал 2,13 ГБ/с против 0,18 ГБ/с у стандартного
json.В чём секрет?
fastsimdjson использует SIMD-оптимизации и многопоточность. А режим lazy=True создаёт Python-объекты только для тех полей JSON, которые действительно нужны программе.В результате обработка 7,6 ГБ данных заняла около 0,12 секунды.
Установка:
pip install fastsimdjson
Для эксперимента использовался Python 3.14.6 в free-threaded-сборке без GIL.
Бенчмарк: https://github.com/lemire/fastsimdjson
Исследование: https://lemire.me/blog/2026/10/12/parsing-json-at-tens-of-gigabytes-per-second-in-python/
👍10❤3
This media is not supported in your browser
VIEW IN TELEGRAM
5 самых дорогих багов в истории: какая ошибка стоила $5,4 млрд?
От перепутанных фунтов и ньютонов в NASA до обновления CrowdStrike, после которого 8,5 млн компьютеров с Windows упали в синий экран. Разбираем, как одна строка кода сожгла ракету, обнулила биржевую компанию за 45 минут и заставила Intel менять процессоры.
https://www.youtube.com/shorts/JWYBWH0kmgE?feature=share
От перепутанных фунтов и ньютонов в NASA до обновления CrowdStrike, после которого 8,5 млн компьютеров с Windows упали в синий экран. Разбираем, как одна строка кода сожгла ракету, обнулила биржевую компанию за 45 минут и заставила Intel менять процессоры.
https://www.youtube.com/shorts/JWYBWH0kmgE?feature=share
🔥3❤1👍1
Одна правка документа перегрузила PostgreSQL. Как в Django переделали кеш
Команда Джонни Метца хранила в Redis готовый список документов для каждого пользователя. Когда крупный клиент изменил одну общую запись, обработчик сбросил кеш тысяч пользователей. Их следующие запросы почти одновременно пошли в PostgreSQL, и API несколько минут работал медленнее.
Кеш разделили. Для пользователя хранят только ID доступных ему документов. Каждый документ лежит в Redis в одном экземпляре, а Django забирает нужные записи пачкой через
TTL увеличили до семи дней. Ключи удаляют после коммита через
За три месяца внедрения трафик вырос примерно на 40%, средняя задержка упала примерно на 40%, а число запросов к БД в секунду сократилось вдвое. На обычном пике API обслуживает около 1 100 запросов в секунду, доля попаданий в кеш составляет 97%.
https://johnnymetz.com/posts/caching-at-scale-in-django/
Команда Джонни Метца хранила в Redis готовый список документов для каждого пользователя. Когда крупный клиент изменил одну общую запись, обработчик сбросил кеш тысяч пользователей. Их следующие запросы почти одновременно пошли в PostgreSQL, и API несколько минут работал медленнее.
Кеш разделили. Для пользователя хранят только ID доступных ему документов. Каждый документ лежит в Redis в одном экземпляре, а Django забирает нужные записи пачкой через
get_many. Поле can_edit вычисляют при сборке ответа с учётом прав конкретного пользователя. Теперь при переименовании документа достаточно удалить один ключ doc:<id>.TTL увеличили до семи дней. Ключи удаляют после коммита через
transaction.on_commit: если удалить ключ раньше, параллельный запрос может снова положить в кеш старые данные. При промахе читают из primary, чтобы в кеш не попала устаревшая версия с отстающей реплики.За три месяца внедрения трафик вырос примерно на 40%, средняя задержка упала примерно на 40%, а число запросов к БД в секунду сократилось вдвое. На обычном пике API обслуживает около 1 100 запросов в секунду, доля попаданий в кеш составляет 97%.
https://johnnymetz.com/posts/caching-at-scale-in-django/
Johnny Metz
Caching at Scale in Django: Lessons from Production
What we learned caching a busy Django API in Redis: cache shared data once, pair long TTLs with invalidation you can trust, and fail open when Redis fails.
🔥3❤1🥰1
This media is not supported in your browser
VIEW IN TELEGRAM
Python в 33 раза медленнее C++? Честный тест против Go и Rust
Один и тот же алгоритм на четырёх языках: считаем простые числа до 5 миллионов. C++, Rust и Go укладываются в 1,4 секунды, чистый Python тратит 47. Но стоит сменить алгоритм и взять NumPy, и тот же ответ получается за 0,02 секунды.
https://www.youtube.com/shorts/br62ibju8mQ
Один и тот же алгоритм на четырёх языках: считаем простые числа до 5 миллионов. C++, Rust и Go укладываются в 1,4 секунды, чистый Python тратит 47. Но стоит сменить алгоритм и взять NumPy, и тот же ответ получается за 0,02 секунды.
https://www.youtube.com/shorts/br62ibju8mQ
🔥8👍3👎2❤1
Вредоносные выпуски PyPI-пакета agent-framework, развиваемого Microsoft. Отключение git-репозитория ONNX Runtime
Злоумышленникам удалось опубликовать в репозитории PyPI вредоносные версии agent-framework 1.26.1 и 1.26.2, развиваемого компанией Microsoft инструментария для разработки AI-агентов на языке Python. В указанные выпуски был встроен вредоносный код, осуществляющий поиск и отправку учётных данных, токенов и ключей для подключения к облачным сервисам и системам непрерывной интеграции. Git-репозиторий agent-framework на GitHub в настоящее время отключён. Также по неизвестным пока причинам отключён git-репозиторий более популярного проекта Microsoft - ONNX Runtime, PyPI-пакет которого насчитывает 140 млн загрузок в месяц.
Полный текст:
https://opennet.ru/66714/
https://opennet.iss.one/66714/
Злоумышленникам удалось опубликовать в репозитории PyPI вредоносные версии agent-framework 1.26.1 и 1.26.2, развиваемого компанией Microsoft инструментария для разработки AI-агентов на языке Python. В указанные выпуски был встроен вредоносный код, осуществляющий поиск и отправку учётных данных, токенов и ключей для подключения к облачным сервисам и системам непрерывной интеграции. Git-репозиторий agent-framework на GitHub в настоящее время отключён. Также по неизвестным пока причинам отключён git-репозиторий более популярного проекта Microsoft - ONNX Runtime, PyPI-пакет которого насчитывает 140 млн загрузок в месяц.
Полный текст:
https://opennet.ru/66714/
https://opennet.iss.one/66714/
👍1🥰1