🔥 Не пропустите событие лета для DS-комьюнити

23 июня, 19:00 Мск — бесплатный вебинар с Никитой Зелинским «AI-агенты для DS: обзор курса и практические кейсы»

😤 Пока все обсуждают, «как бы внедрить LLM», мы покажем, как строить полноценных AI-агентов, которые делают работу вместо тебя. За час Никита разложит по полочкам:
— архитектуру курса и ключевые модули
— частые ошибки студентов, о которых не принято говорить вслух
— реальные юзкейсы: от чат-ассистентов до систем поддержки решений в проде

➡️ Что почитать от Никиты до Веба:

— Как adversarial-атаки живут даже при смене модели (и почему «подвинуть кровати в борделе» не спасёт)
— Самый быстрый пакетный менеджер uv и эксперимент «pip vs uv»
— 17 методов XAI и 20 метрик на NIPS’24: как не утонуть в «объяснимости»

⚡️ Хотели задать Никите свой каверзный вопрос? Ловите шанс: только в прямом эфире — отвечаем на всё, что обычно «остаётся за кадром».

⏰ МЕСТ МАЛО регистрация закроется, как только забьём комнату. Действуй сейчас → https://clc.to/1iGw6Q

💯

Библиотека питониста #развлекалово

🎯 Что посмотреть и решить: LeetCode для Data Science и аналитики

В подборке — подробные разборы популярных задач с LeetCode, полезные для подготовки к собеседованиям в аналитике данных, Data Science и инженерии:
✅ полное пошаговое объяснение решений на SQL и Python
✅ разбор реальных кейсов из технических интервью
✅ советы для новичков и профи, которые хотят повысить уровень

В видео — практические техники и полезные лайфхаки, чтобы уверенно решать задачи и пройти собеседование.

🎬 Смотреть и учиться: https://clc.to/qF59mg

Библиотека питониста #буст

🔍 Код-ревью: как не поругаться и улучшить код

Недавно спросили:

Как вы организуете код-ревью в Python-команде и как избежать конфликтов?

Код-ревью — это не просто поиск ошибок. Это часть инженерной культуры: возможность учиться, делиться опытом и вместе делать код лучше.

Но чтобы ревью не стало тормозом или ареной споров, важно выстроить процесс правильно.

1️⃣ Чёткие цели и ожидания

Ревью — это не только «работает или нет». Мы смотрим на читаемость, архитектуру, соответствие гайдлайнам, тесты, безопасность и возможные побочные эффекты.

✅ Важно заранее договориться, что считается «блокером», а что — рекомендацией.

2️⃣ Гайдлайны и чек-листы

Хороший чек-лист помогает не забыть важное:
✅ Есть ли тесты и документация?
✅ Соответствует ли код стилю (black, ruff, mypy)?
✅ Не сломано ли API?
✅ Понятна ли логика?

Такой список снижает субъективность и упрощает обсуждение.

3️⃣ Формат общения

Тон — критически важен. Мы не говорим:
🙅‍♂️ «Почему ты сделал это так странно?»
А говорим:
✅ «Как думаешь, если сделать вот так — будет понятнее? Вот пример...»

Ревью — это диалог, а не суд. И да, автор тоже имеет право отстоять решение, если оно обоснованное.

4️⃣ Обратная связь и обучение

Каждое ревью — шанс узнать что-то новое.

✅ Хорошие команды не просто указывают на ошибку, а объясняют «почему» и «как лучше».

5️⃣ Инструменты и скорость

Обычно используется Pull Request + CI.
Линтеры и типизация (black, ruff, mypy) — на автомате, чтобы не обсуждать стиль вручную.

✅ Ревью лучше делать в течение дня, чтобы не тормозить разработку.

💬 А как устроено ревью у вас в команде? Что работает, а что вызывает споры? Делитесь в комментариях 👇

Библиотека питониста #междусобойчик

💫 Как стать профессиональным разработчиком: 6 главных навыков

Думаешь, чтобы стать крутым программистом, нужен диплом престижного вуза? А вот и нет!

➡️ Опытные разработчики уверены: гораздо важнее правильный подход к работе и готовность учиться на своих ошибках.

И знаешь что? Этому может научиться каждый.

Читайте полную статью и узнайте, какие качества помогут вам стать настоящим профи!
▶️ Читать статью

Библиотека питониста #буст

📌 Холивар: одна строка — одно действие

В сообществе Python-программистов давно спорят: как лучше оформлять код — разбивать каждое действие на отдельную строку или использовать методные цепочки?

➡️ Подход «одна строка — одно действие»:
— Улучшает читаемость
— Упрощает отладку
— Позволяет легко комментировать каждое действие
— Делает git diff и blame более наглядными

Пример:

df = df.dropna()
df = df[df["age"] > 18]
df = df.sort_values("score", ascending=False)
df = df.reset_index(drop=True)

➡️ Подход с цепочками методов:
— Более выразителен, особенно при работе с данными
— Помогает избежать временных переменных
— Позволяет видеть весь «путь трансформации» объекта в одном месте
— Хорошо работает с API вроде pandas, SQLAlchemy, Fluent-style интерфейсами

Пример:

df = (
    df.dropna()
      [df["age"] > 18]
      .sort_values("score", ascending=False)
      .reset_index(drop=True)
)

⚠️ Но где проходит граница между выразительностью и нечитаемым монолитом?

💬 А вы что предпочитаете в повседневной практике — лаконичные цепочки или строго пошаговый стиль?
Приводите примеры, делитесь опытом — обсудим!

Библиотека питониста #междусобойчик

🔎 Обновления Python-библиотек за последнюю неделю

За последние 7 дней в экосистеме Python вышло множество заметных обновлений. Вот самые интересные из них — с краткими пояснениями, зачем они могут быть вам полезны:

🚩 webdataset 1.0.2 — библиотека для работы с большими датасетами, особенно удобна для глубокого обучения. Позволяет стримить данные прямо с диска или из облака.

🚩 Kaleido 1.0.0 — инструмент для генерации статических изображений из интерактивных графиков Plotly. Удобен для сохранения визуализаций.

🚩 Outlines 1.0.0 — новая библиотека для структурированной генерации текста с LLM (language model). Упрощает работу с шаблонами, форматами и API OpenAI.

🚩 Valkey GLIDE 2.0.0 — форк Redis (Valkey) с улучшенной интеграцией и функциональностью. Используется для высокопроизводительного кеширования и обмена сообщениями.

🚩 Streamlit 1.46.0 — любимый многими фреймворк для создания дашбордов и ML-интерфейсов в несколько строк кода. Теперь ещё стабильнее и быстрее.

🚩 oauthlib 0.3.0 — обновление популярной библиотеки для OAuth2-авторизации. Безопасная аутентификация через сторонние сервисы (Google, GitHub и др.).

🚩 labelbox 7.0.0 — SDK для работы с платформой Labelbox (аннотация данных). Ускоряет цикл разметки данных в ML-проектах.

🚩 django-redis 6.0.0 — интеграция Redis с Django. Улучшенная производительность кеша, поддержка Valkey и новых бэкендов.

🚩 ruff 0.12.0 — супербыстрый линтер для Python. Заменяет pylint, flake8 и black одновременно — и делает это мгновенно.

🚩 opensearch-py 3.0.0 — клиент для OpenSearch (форка Elasticsearch от Amazon). Используется в проектах, где важен быстрый и масштабируемый поиск.

🚩 bayesian-optimization 3.0.0 — мощный инструмент для автоматического подбора гиперпараметров моделей или любых дорогостоящих функций.

🚩 tcod 19.0.0 — библиотека для создания рогаликов и консольных игр на Python. Старая, но всё ещё живая!

🚩 pyzmq 27.0.0 — обновление интерфейса к ZeroMQ — библиотеке для обмена сообщениями между процессами и приложениями.

Библиотека питониста #свежак

🖥 Топ-вакансий для питонистов за неделю

Python разработчик —‍ от 100 000 ₽, удалёнка

Python-разработчик —‍ от 195 000 до 250 000 ₽, удалёнка

Django Backend Developer —‍ от 250 000 до 330 000 ₽, гибрид (Санкт-Петербург)

Программист-разработчик Python —‍ от 200 000 ₽, офис (Москва)

Team Lead Python (E-commerce), офис (Москва)


➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

📱 Python теперь может вызывать Mojo-код

⚡ Что такое Mojo

Mojo — компилируемый язык с синтаксисом Python и скоростью C. Создан для ML, численных вычислений и высокопроизводительного кода.

Теперь Python умеет напрямую вызывать Mojo-функции — и это меняет игру.

⚡ Как это работает

1. Установка:

uv pip install modular --index-url https://dl.modular.com/public/nightly/python/simple/

2. Mojo-функция:

fn factorial(py_obj: PythonObject) raises -> PythonObject:
    var n = Int(py_obj)
    var result = 1
    for i in range(1, n + 1):
        result *= i
    return result

3. Вызов из Python:

import mojo_module
print(mojo_module.factorial(10))

⚡ Производительность

На factorial(10) разница небольшая.
Но при подсчёте простых чисел до 20 000:
— Python: \~0.45 сек
— NumPy: \~0.26 сек
— Mojo: \~0.01 сек (!)

✅ Mojo оказался в десятки раз быстрее, даже с простой реализацией.

⚡ Недочёты

При больших числах (factorial(100)) возможны переполнения — тип Int ограничен. Также Mojo всё ещё в стадии активной разработки.

⚡ Вывод

➡️ Mojo уже ускоряет Python-код и отлично подходит для тяжёлых вычислений.
➡️ Он проще, чем Rust, и быстрее, чем Python — особенно на численных задачах.
➡️ Пока это не продакшн-решение, но потенциал огромный.

🔗 Больше деталей по ссылке: https://clc.to/4WM6Hw

Библиотека питониста #буст

📝 Немного инсайтов из третьего модуля курса

Сейчас большинство представлений об ИИ ограничиваются одним агентом — моделькой, которая что-то предсказывает, генерирует или классифицирует.

Но реальный прорыв начинается, когда этих агентов становится несколько.
Когда они начинают взаимодействовать друг с другом.
Когда появляется координация, распределение ролей, память, планирование — всё это и есть мультиагентные системы (MAS).

➡️ Пока кто-то думает, что это звучит как научная фантастика, индустрия уже переходит к новым уровням сложности:
— Microsoft делает язык DroidSpeak для общения между LLM
— Open Source-фреймворки вроде LangChain, AutoGen, CrewAI, LangGraph — бурно развиваются
— компании, включая МТС, уже применяют MAS в боевых задачах

🎓 На курсе мы подходим к этому практично:
🔵 разбираем, как устроены MAS
🔵 пишем агентов с нуля
🔵 учимся выстраивать взаимодействие: конкуренцию, кооперацию, планирование

Именно на третьем уроке вы впервые собираете не просто «умного бота», а живую систему из агентов, которая работает вместе — как команда.

Причём по-настоящему: врач, SQL-аналитик, travel-планировщик, Python-генератор, поисковик.

🙂 Если хочется не просто использовать ИИ, а проектировать системы, которые думают, планируют и сотрудничают → тогда забирайте курс по ИИ-агентам

⭐ Python без GIL: эпоха настоящего многопоточного исполнения

GIL — удобное решение для безопасности, но стало тормозом.
— Guido van Rossum

✳️ Что такое GIL

GIL (Global Interpreter Lock) — глобальная блокировка интерпретатора Python. Она не даёт выполнять Python-байткод более чем одному потоку одновременно.

Это решение появилось ещё в 90-х, когда одноядерные процессоры были нормой. Сейчас же — реальность многопоточная. А GIL мешает полностью использовать многозадачность на уровне CPU.

✳️ Почему GIL — проблема

Из-за GIL Python-программы не могут полноценно использовать многопоточность в CPU-bound задачах. Вместо этого:
— мы используем multiprocessing, создавая отдельные процессы (дорого)
— мы прибегаем к C-библиотекам: NumPy, Cython, PyTorch, чтобы обойти ограничения

Но всё это — костыли. И комьюнити давно мечтает избавиться от GIL.

✳️ PEP 703: решение пришло

PEP 703 предлагает сделать GIL опциональным.

Вместо полного отказа от GIL — аккуратный переход:

1. Python 3.13 (вышел в 2024) — можно собрать без GIL (--disable-gil)
2. 2026–2027 — возможность переключения GIL в рантайме
3. 2028+ — по умолчанию Python будет без GIL

✳️ Как попробовать Python без GIL прямо сейчас (Mac)

1. Скачайте установщик Python 3.13 с офсайта
2. На этапе установки выберите Free-threaded Python (experimental)
3. После установки появятся два интерпретатора:
— python3.13 — обычный
— python3.13t — Python без GIL

Проверьте:

import sysconfig
print(sysconfig.get_config_var("Py_GIL_DISABLED"))
# True для python3.13t

✳️ Проверка в бою: ускорится ли код

Пример CPU-bound задачи с потоками:

import threading, time

def cpu_task(n):
    s = 0
    for i in range(n): s += i*i

N = 100_000_000

def run():
    threads = [threading.Thread(target=cpu_task, args=(N,)) for _ in range(4)]
    start = time.time()
    for t in threads: t.start()
    for t in threads: t.join()
    print(f'{time.time() - start:.2f} сек')

run()

— Python 3.13: ~13.5 сек
— Python 3.13t (без GIL): ~3.7 сек

✔️ Разница очевидна. Многопоточность наконец-то работает по-настоящему.

Библиотека питониста #буст