👨‍💻 df.isna().sum() — вредная команда.

Вредная не потому, что она врёт, а потому, что создаёт опасную иллюзию контроля.

Вы видите аккуратную табличку с количеством пропусков и думаете: «Окей, я всё знаю». Но на самом деле вы не знаете ничего. Знать, сколько данных пропущено — это первый класс, вторая четверть. Гораздо важнее понимать, КАК они пропущены.

Есть ли в пропусках система? Они случайны или нет? Пропуски в столбце А связаны с пропусками в столбце Б?

Простой подсчёт NaN на эти вопросы не ответит. Чтобы перейти от поверхностного взгляда к глубокому пониманию, нужен более глубокий инструмент. И он есть — это библиотека missingno.

В ней разные полезные визуализации, например:

🔬 msno.matrix() — показывает точное расположение каждой «дыры» в данных. Сразу видно, пропуски — это единичные точки или целые «мёртвые зоны».

📊 msno.heatmap() — детектор скрытых связей. Показывает, значения в каких признаках пропущены вместе.

🗺 msno.dendrogram() — карта родства. Группирует столбцы по схожести паттернов пропусков. Сразу видно, какие признаки ведут себя одинаково, а какие — живут своей жизнью.

Вот вам руководство по missingno с примерами кода и графиками:
👉🏻 Пропуски в данных — не приговор: Полное руководство по визуализации и анализу с missingno в Python

Работаем с пропусками умнее 🧠

✍️ Решения вчерашней задачи

Видимо, оказалось сложной 🤔 Но ничего страшного, давайте разберем элегантный и очень эффективный способ её решения.

🎯 Ключевая идея

Чтобы решить задачу за один проход, мы будем использовать подход, похожий на динамическое программирование. Нам не нужно хранить все подпоследовательности, достаточно отслеживать всего два значения:
- up — длина текущей "волнистой" последовательности, которая заканчивается ростом (📈).
- down — длина текущей "волнистой" последовательности, которая заканчивается падением (📉).

Идём по списку и на каждом шаге обновляем эти два счётчика.

Вот как выглядит код, реализующий эту идею. Он одновременно и самый быстрый, и очень "питоничный" по духу — простой и ясный.

def max_turbulence_size(prices: list[int]) -> int:
    if len(prices) < 2:
        return len(prices)

    max_len = 1
    up = 1
    down = 1

    for i in range(1, len(prices)):
        if prices[i] > prices[i-1]:
            up = down + 1
            down = 1
        elif prices[i] < prices[i-1]:
            down = up + 1
            up = 1
        else:
            up = 1
            down = 1
        
        max_len = max(max_len, up, down)

    return max_len

🧐 Как это работает?

- Шаг 1: Инициализация
Мы начинаем с up = 1 и down = 1. Это логично, ведь любой один элемент сам по себе является последовательностью длиной 1. max_len тоже равен 1.

- Шаг 2: Итерация
Мы проходим по списку цен, начиная со второго элемента, и сравниваем его с предыдущим.

- Шаг 3: Логика обновления. Это самая соль алгоритма.
- Если цена выросла (prices[i] > prices[i-1]):
Значит, мы можем продлить последовательность, которая до этого падала. Новая длина последовательности, заканчивающейся ростом, будет up = down + 1. При этом любая последовательность, заканчивающаяся ростом, прервалась, поэтому down мы сбрасываем до 1.
- Если цена упала (prices[i] < prices[i-1]):
Зеркальная логика. Мы продлеваем последовательность, которая росла. down = up + 1, а up сбрасываем до 1.
- Если цены равны (prices[i] == prices[i-1]):
Чередование нарушено. Любая волна прерывается. Мы сбрасываем и up, и down обратно в 1.

- Шаг 4: Поиск максимума
На каждом шаге цикла мы обновляем max_len, выбирая самое большое значение из max_len, up и down. Так мы гарантированно не упустим самую длинную волну.

Временная сложность: O(N) . Мы проходим по входному списку всего один раз. Быстрее просто невозможно! 🚀
Пространственная сложность: O(1). Мы используем фиксированное количество переменных (up, down, max_len), которое не зависит от размера списка. Максимально эффективно по памяти.

🇨🇳 Китайцы снова разрывают! Выкатили GLM-4.5 🐲

Я изучил их анонс и доки, вот короткая выжимка:
▫️Что это? Здоровенная MoE-модель (355B параметров), 128к контекста. Главное — полный опенсорс под лицензией MIT. Можно брать и использовать в коммерческих проектах.
▫️В чем фишка? Заточена под «агентов». По демкам, она может по команде сгенерить рабочую игру или написать сайт с нуля.
▫️Она реально так хороша? Бенчмарки на уровне топов. Не «убийца» всего и вся, но, возможно, один из самых мощных открытых ИИ-агентов на сегодня.
▫️А запустить можно? Только если у вас есть доступ к серверу с пачкой H100. На игровом ноуте пока не взлетит. 🫠

🔗Первоисточники для самостоятельного изучения:
- Официальный анонс
- Репозиторий на GitHub
- Модели на HuggingFace

Разбор архитектуры — что там с MoE, их RL-фреймворком slime и как это все-таки запустить тут:
👉 Читать полный разбор

Срочно нужно забустить канал, чтобы спасти реакцию 🤣

Без этой реакции не то!

Спасайте Эль Риситаса!

На первый взгляд, все элементарно. Но есть нюанс 😁

📊 Разбираем Stack Overflow Survey 2025

Вышли результаты их ежегодного опроса. Давайте про самое интересное.

🐍 Часть 1. Что с Python?

Использование Python взлетело на 7 процентных пунктов за год, достигнув 57.9%.
Сила языка — в его экосистеме, которая сейчас тащит всю индустрию.
▫️ Веб: FastAPI показал один из самых больших скачков среди фреймворков (+5 п.п., теперь 14.8% его используют). Вместе с Flask (14.4%) и Django (12.6%) питонячий веб-стек чувствует себя прекрасно.
▫️ Инструменты: Pydantic впервые вошел в опрос и сразу взял 10.1%! А новый пакетный менеджер uv, написанный на Rust, стал самой «обожаемой» (most admired) технологией с рейтингом 74.2%.
▫️ Data Science: Polars — библиотека для работы с данными, написанная на Rust (конкурент Pandas). Используют ее пока немногие (3.8%), но уровень «обожания» — заоблачные 67.9%.

Видим, что многое внутри ядра Python-экосистемы переписывается на Rust для получения максимальной производительности.

🤖Часть 2. Парадокс ИИ.

А вот тут начинается цирк. 84% разрабов используют или планируют использовать ИИ-инструменты.

Но за этим фасадом массового внедрения скрывается тотальный кризис доверия. Позитивное отношение к ИИ за год упало с 70% до 60%.
46% разработчиков АКТИВНО НЕ ДОВЕРЯЮТ точности нейросеток. Доверяют — лишь 33%.

Главная, что раздражает (66% респондентов) — это решения от ИИ, которые «почти правильные, но не совсем».
Это «почти» ведет ко второй проблеме, которую назвали 45% — «отладка кода, сгенерированного ИИ, отнимает больше времени», чем его написание с нуля.

Знакомо, не правда ли? В итоге, разрабы готовы доверять ИИ рутину вроде поиска, но наотрез отказываются подпускать его к ответственному коду. Например, 76% даже не планируют использовать ИИ для деплоя и мониторинга.

🧑‍💻 Часть 3. Куда смотрят питонисты?

Один из самых интересных инсайтов — что хотят учить дальше те, кто уже освоил Python. И это... Rust и Go.

Это суперлогичный шаг. Освоив Python как язык для быстрой разработки и работы с данными, инженеры хотят добавить в арсенал инструменты для максимальной производительности.

🤑 Часть 4. А что по деньгам?

Специализация на AI себя окупает. Медианная годовая зарплата для AI/ML-инженера в мире — $89,427. Это больше, чем у классических бэкендеров ($79,742) и дата-сайентистов ($82,910).

Насколько сильно ИИ бьёт по программистам? 🤖

Тут Microsoft Research выкатили анализ на 200к реальных диалогов пользователей с Copilot, чтобы понять, как Generative AI на самом деле влияет на разные профессии.

Главный вывод: если смотреть на группы профессий, то «Computer and Mathematical» находится на 2-м месте по «применимости ИИ» (AI applicability score). 🥈 Выше только продажники.

Если посмотреть на конкретные профессии из топ-40 самых «затронутых», то картина такая:
▫️ CNC Tool Programmers — 8 место.
▫️ Математики — 20 место.
▫️ Data Scientists — 32 место.
▫️ Web Developers — 35 место.

Что это значит? Этот рейтинг учитывает не просто «можно ли использовать ИИ», а три вещи, основанные на реальных данных:
1. Как часто для задач этой профессии юзают Copilot.
2. Насколько успешно ИИ справляется с этими задачами.
3. Насколько глубоко ИИ покрывает рабочие активности (scope of impact).


При этом исследователи прямо отмечают, что их данные по Copilot отличаются от аналогичных по Claude.

В отличие от Claude, использование Copilot значительно меньше сфокусировано на программировании и математических задачах.

В том же Claude, судя по всему, доля чисто программистских задач ещё выше.

Ещё один важный момент из статьи: авторы разделяют, когда ИИ помогает человеку выполнить задачу (user goal), а когда ИI сам выполняет действие (AI action).

Для программистов и дата-сайентистов высок именно user goal — мы используем нейронки как мощный инструмент-помощник, а не как полную замену. Это скорее про расширение возможностей (augmentation), чем про прямую автоматизацию и потерю работы. Хотя, конечно, грань тонкая.

Ссылка на оригинал, там много графиков и таблиц: https://arxiv.org/abs/2507.07935

Всё так, всё так 😁

Один IT-гигант (тот самый, экстремистский) официально разрешил кандидатам юзать ИИ на технических собеседованиях.

Зачем они это делают? Официально, по двум причинам:
1️⃣ Это намного ближе к реальной работе, где все уже и так сидят на копайлотах.
2️⃣ Это делает бессмысленным и неэффективным классическое списывание.

Так что эра того самого «вайбкодинга» теперь официальная HR-политика одной из крупнейших компаний мира. Похоже, это последний гвоздь в крышку гроба классических алгоритмических интервью в духе «переверни мне бинарное дерево на бумажке».

Теперь главные вопросы на собеседовании будут не в том, «знаешь ли ты, как работает алгоритм Дейкстры?», а в том, «сможешь ли ты заставить нейронку сгенерить правильный код, найти в нём косяки, отладить и задеплоить, не уронив прод?»

Чувствуете разницу? Акцент смещается с написания кода на архитектурное мышление, ревью и умение управлять инструментами.

Богомерзкие алгособесы наконец-то вымрут? 👏

Источник: Wired

👨‍💻 Mistral представили полный self-hosted стек для разработки

Mistral AI выкатили интегрированную платформу: обновленный Codestral 25.08, семантический поиск Codestral Embed и агентные воркфлоу Devstral.

Ключевые моменты:

👉 Агентные воркфлоу. Это шаг от простого автодополнения к делегированию задач. Агент Devstral может проводить кросс-файловый рефакторинг, генерировать тесты и готовить PR, работая на базе фреймворка OpenHands.

👉 On-premise и кастомизация. Весь стек можно развернуть на своем железе (открытая модель Devstral Small требует одной RTX 4090). Это означает полный контроль над данными и возможность дообучить модель на своей кодовой базе.

👉 Семантический поиск по коду. Модель эмбеддингов, заточенная под код, позволяет искать решения и паттерны внутри проекта на естественном языке. Решает проблему «контекстной слепоты» многих AI-ассистентов.

По сути, это смещение фокуса с универсальных SaaS-инструментов на гибкие платформы, которые можно контролировать и адаптировать. Интересный вектор развития, особенно для тех, кто работает со сложными или проприетарными системами.

P.S. Для тех, кто хочет вникнуть глубже, подготовил более детальный разбор ◀️

Полезные ссылки:
▪️ Официальный анонс от Mistral
▪️ Плагин для VS Code
▪️ Плагин для JetBrains

🤖 Автономный ИИ-инженер, который побеждает на Kaggle.

Работа ML-инженера на 80% — это не создание моделей, а перемалывание сырых данных, бесконечные эксперименты и деплой с молитвой.

И вот тут анонсировали NEO — полностью автономный ML-агент, который, как заявляют, проходит весь цикл от грязного датасета до готовой модели в проде.

Агента выставили на 75 реальных соревнований на Kaggle.
🏆Результат: 34.2% из них — с медалями.

Это, если что, уровень очень крепкого спеца, который годами набивал руку.

В анонсе есть ещё видяшки с примерами работы.

MLщикам радоваться или плакать? 🤭

ChatGPT дали $100 на торговлю акциями. Что он с ними сделал?🤑

Один энтузиаст с GitHub запустил живой эксперимент: дал GPT-4o сотку баксов и полгода, чтобы тот торговал рисковыми акциями мелких компаний.

Никакой помощи, только еженедельный анализ рынка от самого ИИ и простые скрипты на Python для исполнения сделок.

И вот результат за первый месяц (конец июня - конец июля 2025):
📈 Портфель ChatGPT: +25.3%
😒 Рынок (S&P 500): +2.1%

Получается, нейросеть обогнала рынок в 12 раз.

Конечно, это только начало, и всё может поменяться. Но следить интересно 🍿

Разобрал начинку на Python, промпты и то, как моделька работала в первые недели, читайте здесь 🔙

Ну-ка, трейдеры, разнесите идею и подход 👇