Лекс Фридман взял интервью у Демиса Хассабиса — сооснователя и CEO Google DeepMind.

Получилось интересно. Что касается программирования, то он высказал такие мысли:

ИИ-системы исключительно хорошо справляются с программированием.

В ближайшие 5-10 лет программисты, которые примут и освоят эти технологии, станут сверхчеловечески продуктивными (в 10 раз эффективнее, чем сейчас)

Фокус работы программистов сместится: вместо написания всего кода вручную, они будут определять архитектуру, формулировать задачи, направлять "ai-помощников" и проверять качество сгенерированного кода.

Некоторые области программирования (например, фронтенд) станут более поддающимися автоматической генерации ИИ, тогда как другие (проектирование игровых движков, высокопроизводительное программирование, руководство сложными системами) останутся для человека.

Это изменение будет в 10 раз масштабнее и в 10 раз быстрее, чем промышленная революция. Программистам придется переучиваться и адаптировать свои текущие навыки. Появятся новые профессии, которые мы сегодня даже не можем представить.

Think about it 🧠

Бесплатный учебник по Deep Learning от MIT Press с 68-ю ноутбуками 📕

Фундаментальный учебник «Understanding Deep Learning» от Саймона Принса и MIT Press это:

- Книга: Полный PDF на 500+ страниц, покрывающий все от основ до диффузионных моделей и трансформеров.
- 68(!) Python-ноутбуков: К каждой главе прилагаются ноутбуки с кодом. Можно сразу запускать и ковыряться.

И да, на английском.

👉🏻 Скачать всё можно здесь

Крутота 👊

👨‍💻 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 😁