📚Python Books Telegram Channel Link

100 вопросов на Python Senior: к чему готовиться на собеседовании в 2026Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.https://uproger.com/voprosy-na-sobesedovanii-python-senior/

📘 195 страниц математики, чтобы понять, как устроен Generative AIВышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию.Внутри:- PCA и probabilistic PCA;- VAE;- diffusion models;- normalizing flows;- autoregressive models;- GAN и Wasserstein GAN;- energy-based models.Автор показывает, как они математически связаны между собой и откуда выводятся основные идеи.Подойдёт тем, кто уже пользуется LLM и diffusion-моделями, но хочет разобраться глубже, чем на уровне «вот нейросеть, вот loss».195 страниц, один цельный маршрут по фундаменту Generative AI.PDF: https://arxiv.org/pdf/2605.29713

Учить Rust через язык, который уже знаешь.Microsoft собрала бесплатную коллекцию руководств: Rust для разработчиков на C/C++, C# и Python. Вместо объяснений с нуля каждый гид опирается на знакомые концепции и показывает, что в Rust устроено иначе.Есть и материалы для тех, кто уже пишет на Rust: асинхронность, продвинутые паттерны, проектирование с помощью типов и инженерные практики.Книги Microsoft - https://microsoft.github.io/RustTraining/

Бесплатная книга по Physics-based Deep Learning461-страничный учебник о применении глубокого обучения в физических симуляциях.Внутри:- Physics-Informed Neural Networks- физические ограничения в loss-функциях- дифференцируемые симуляции- обучение с подкреплением- моделирование неопределённости- практические примеры в Jupyter NotebookПолезно для изучения научного ML, PINN и нейросетевого решения физических задач.https://arxiv.org/abs/2109.05237

📘 Elementary Probability for Applications - бесплатная книга по теории вероятностей163 страницы с базой по вероятностям и прикладными примерами.Подойдёт тем, кто хочет нормально разобраться в случайных событиях, распределениях, ожиданиях и других основах, которые постоянно встречаются в Data Science и Machine Learning.Хороший компактный материал без перегруза.https://clcoding.com/2026/07/elementary-probability-for-applications.html

🔥 Хак в Django: Meta.indexes можно использовать для собственных миграцийОказывается, models.Index в Django можно превратить почти в универсальную migration-операцию.Идея:class CustomMigrationOperation(models.Index): def create_sql(self, model, schema_editor, **kwargs): ... def remove_sql(self, model, schema_editor, **kwargs): ...А затем добавить её прямо в модель:class Meta: indexes = [CustomMigrationOperation()]После этого makemigrations сам подхватит изменение, а migrate выполнит нужный SQL.Почему это работает:Index уже умеет генерировать SQL через create_sql() и remove_sql().Так можно описывать не только индексы, но и:triggerstable commentssecurity labelsдругие schema-level настройкиАвтор использовал этот приём для PostgreSQL Anonymizer, чтобы правила анонимизации жили рядом с моделью и автоматически попадали в миграции.Подход довольно hacky, но как способ расширить механизм миграций Django — очень интересный.https://www.better-simple.com/django/2026/09/02/nifty-feature-use-index-for-custom-migrations/

📚 Бесплатный 17-страничный PDF по Hidden Markov ModelsКороткий и плотный разбор HMM от Stanford.Внутри:- скрытые состояния и наблюдения- transition и emission probabilities- вычисление вероятности последовательности- Forward algorithm- Viterbi algorithm- обучение параметров модели- базовые примеры примененияХороший материал, чтобы быстро понять HMM без огромного учебника.PDF:https://web.stanford.edu/~jurafsky/slp3/A.pdf

MIT бесплатно выложил 920-страничный учебник Mathematics for Computer Science.Это большой курс по математике, которая реально нужна в Computer Science.Внутри:- логика и доказательства- множества и отношения- индукция- графы- теория чисел- рекуррентные соотношения- комбинаторика- вероятность- дискретные структуры и алгоритмическое мышлениеХорошая база для алгоритмов, теории вычислений и более серьёзного изучения CS.📗 PDF доступен бесплатно.

🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.Stepik: «Python современный AI для разработчика и автоматизации задач»63 урока, 382 шага, практика с кодом и автопроверкой.Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.Для тех, кто уже знает Python и хочет перейти к production AI.⏳ 72 часа скидка 55%https://stepik.org/a/295921

🔥 Face Anything - восстановление 4D-лица из любой последовательности изображенийНа ECCV 2026 представили Face Anything - unified feed-forward модель для высокоточного 4D face reconstruction и плотного трекинга лица.Ключевая идея - canonical facial point prediction: каждому пикселю назначается нормализованная координата лица в общем каноническом пространстве.Это позволяет объединить dense tracking и динамическую реконструкцию в одну задачу и получать:* стабильную геометрию между кадрами* точные соответствия facial points* 4D-реконструкцию из произвольной последовательности изображенийКод:https://github.com/kocasariumut/FaceAnything

Интегрируйте OCR в ваш Python-продукт за 15 минут 🚀Создаёте SaaS, автоматизируете B2B или собираете ИИ-агентов на Python? Забудьте про облачные костыли и отправку конфиденциальных данных на чужие сервера!Provision OCR — российский движок для локального распознавания документов в защищенном контуре.⚡️ Python-friendly: интеграция через REST API и gRPC для FastAPI, Django или Flask.⚡️ Docker-ready: быстрый запуск в один контейнер без сложной настройки окружения.⚡️ 100% локальности: полное соответствие требованиям безопасности.⚡️ Производительность: от <3 сек/стр. на GPU (RTX 2070+) или работа на CPU, точность до 99%.⚡️Готовые шаблоны любых документов на русском: договоры, счета-фактуры и другие.💻 Пример интеграции с Django:https://github.com/Provision-Labs/Django_OCR_UI💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs#Python #Django #FastAPI #OCR #ProvisionOCR #Backend #OnPremise #AI #DevOps #OpenSource #ИИ

📚 Бесплатная работа по Information Geometry и Fisher–Rao DistanceИсследование посвящено численному приближению расстояния Fisher–Rao между многомерными нормальными распределениями.Внутри разбираются:- Fisher–Rao Distance- Information Geometry- Fisher Information- KL и Jeffreys Divergence- статистические многообразия и геодезические- SPD-матрицы- Mahalanobis Distance- численные методы приближенияПолезно для ML-исследователей, data scientists, статистиков и тех, кто изучает продвинутую теорию вероятностей.Бесплатный PDF:https://arxiv.org/pdf/2302.08175

📚 Бесплатная книга по causal inference + MLApplied Causal Inference Powered by Machine Learning and AI - большая открытая книга про причинно-следственный анализ с современным уклоном в машинное обучение и AI.Внутри:* causal graphs и DAG* потенциальные исходы* A/B и observational data* propensity score* matching и weighting* heterogeneous treatment effects* Double/Debiased Machine Learning* causal forests* uplift и policy learning* связь causal inference с современными ML-моделямиПодойдёт тем, кто хочет выйти за пределы обычной корреляции и разбираться, что действительно влияет на результат.496 страниц, PDF доступен бесплатно:http://arxiv.org/abs/2403.02467

10 бесплатных книг по программированию, которые можно читать прямо с GitHub1. The Rust Programming Language https://github.com/rust-lang/book2. Rust by Example https://github.com/rust-lang/rust-by-example3. The Little Book of Rust Books https://github.com/lborb/book4. Python Data Science Handbook https://github.com/jakevdp/PythonDataScienceHandbook5. Dive Into Deep Learning https://github.com/d2l-ai/d2l-en6. Probabilistic Machine Learning https://github.com/probml/pml-book7. Algorithms for Decision Making https://github.com/algorithmsbooks/algforopt-notebooks8. Operating Systems: Three Easy Pieces https://github.com/remzi-arpacidusseau/ostep-homework9. Crafting Interpreters https://github.com/munificent/craftinginterpreters10. Free Programming Books — огромная библиотека бесплатных книг по Python, Java, C++, Go, AI, SQL, Linux и десяткам других тем https://github.com/EbookFoundation/free-programming-booksПоследний репозиторий особенно полезен: там собрана огромная регулярно обновляемая база легально доступных книг и учебных материалов по программированию.

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночкуОкружение решает больше, чем кажется.Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.AI: t.me/ai_machinelearning_big_dataPython: t.me/pythonlLinux: t.me/linuxacademiyaХакинг: t.me/linuxkaliiDevOps: t.me/DevOPSitsecDocker: https://t.me/+90Z5TAyfuNU5YmRiGolang: t.me/Golang_googleRust: t.me/rust_codeC++: t.me/cplusplucC#: t.me/csharp_1001_notesJava: t.me/javatgJavaScript: t.me/javascriptvReact: t.me/react_tgFrontend: t.me/frontPHP: t.me/phpshkaAndroid: t.me/android_itsМобильная разработка: t.me/mobdevelopБазы данных: t.me/sqlhubData Science: t.me/data_analysis_mlBig Data: t.me/bigdataiМатематика: t.me/data_mathФизика: https://t.me/+S4hinvO3QI43ZjNiKubernetes: t.me/kubernetcGameDev: https://t.me/gamedevHaskell: t.me/haskell_tgСобеседования и карьера:DS собеседования: t.me/machinelearning_interviewPython собеседования: t.me/python_job_interviewПапка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2ViПапка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFiПапка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIyПапка ML: https://t.me/addlist/2Ls-snqEeytkMDgyПапка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2IyПолезное сверху:ИТ-мемы: t.me/memes_progАнглийский для программистов: t.me/english_forprogrammersИИ и технологии: t.me/vistehno954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcyИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEyMax Ai: https://max.ru/ai_machinelearning_big_dataMax python: https://max.ru/pythonlТЕХНО: https://max.ru/vistehnoMax Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsecC#: https://max.ru/csharp_ciC++: https://max.ru/cplusplucSQL: https://max.ru/sqlhubJava: https://max.ru/javatgПодписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночкуОкружение решает больше, чем кажется.Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.AI: t.me/ai_machinelearning_big_dataPython: t.me/pythonlLinux: t.me/linuxacademiyaХакинг: t.me/linuxkaliiDevOps: t.me/DevOPSitsecDocker: https://t.me/+90Z5TAyfuNU5YmRiGolang: t.me/Golang_googleRust: t.me/rust_codeC++: t.me/cplusplucC#: t.me/csharp_1001_notesJava: t.me/javatgJavaScript: t.me/javascriptvReact: t.me/react_tgFrontend: t.me/frontPHP: t.me/phpshkaAndroid: t.me/android_itsМобильная разработка: t.me/mobdevelopБазы данных: t.me/sqlhubData Science: t.me/data_analysis_mlBig Data: t.me/bigdataiМатематика: t.me/data_mathФизика: https://t.me/+S4hinvO3QI43ZjNiKubernetes: t.me/kubernetcGameDev: https://t.me/gamedevHaskell: t.me/haskell_tgСобеседования и карьера:DS собеседования: t.me/machinelearning_interviewPython собеседования: t.me/python_job_interviewПапка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2ViПапка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFiПапка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIyПапка ML: https://t.me/addlist/2Ls-snqEeytkMDgyПапка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2IyПолезное сверху:ИТ-мемы: t.me/memes_progАнглийский для программистов: t.me/english_forprogrammersИИ и технологии: t.me/vistehno954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcyИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEyMax Ai: https://max.ru/ai_machinelearning_big_dataMax python: https://max.ru/pythonlТЕХНО: https://max.ru/vistehnoMax Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsecC#: https://max.ru/csharp_ciC++: https://max.ru/cplusplucSQL: https://max.ru/sqlhubJava: https://max.ru/javatgПодписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

📚 Бесплатный 348-страничный учебник по Machine Learning для инженеров и исследователейMachine Learning: A First Course for Engineers and Scientists - полноценная книга от Cambridge University Press, которую авторы бесплатно выложили в виде pre-publication PDF для личного использования.Внутри:* supervised learning, k-NN и decision trees* linear/logistic regression и regularization* neural networks и deep learning* random forests, boosting и kernels* Bayesian methods и Gaussian Processes* generative models и unsupervised learning* оценка качества, practical ML и ethicsХороший вариант, если хочется не просто запускать fit(), а реально понять математику и инженерную логику ML.PDF:https://smlbook.org/book/sml-book-draft-latest.pdf#DataScience #MachineLearning #ML #Mathematics #Algorithms

🐍 Free-threaded Python убрал GIL, но NumPy всё равно упирался во внутренние блокировкиКазалось бы, Python 3.13+ без GIL должен позволить нескольким потокам одновременно выполнять численные операции.Но на практике параллельные ufunc начинали конкурировать за внутренние структуры NumPy, счётчики ссылок и выделение памяти.В NumPy 2.5 разработчики устранили несколько ключевых узких мест:- таблицу диспетчеризации ufunc заменили на lock-free concurrent hash map;- часть общих служебных объектов сделали «бессмертными», снизив конкуренцию при подсчёте ссылок;- выделение памяти перевели на PyMem_RawMalloc и PyMem_RawFree.Теперь независимые операции можно масштабировать обычными потоками:from concurrent.futures import ThreadPoolExecutorimport numpy as nparrays = [ np.random.rand(5_000_000) for _ in range(8)]with ThreadPoolExecutor(max_workers=8) as pool: results = list(pool.map(np.sin, arrays))Главное преимущество перед multiprocessing - массивы не нужно сериализовать и копировать между процессами.Потоки работают в одном адресном пространстве, поэтому могут эффективнее использовать многоядерный CPU и общую память.Но есть важная оговорка:free-threaded не означает автоматически thread-safe.Одновременное изменение одного ndarray из нескольких потоков всё ещё может привести к гонкам, повреждённым данным и падению интерпретатора.Безопаснее использовать:- отдельный массив для каждого worker;- общий массив только для чтения;- явную синхронизацию при записи.Удалить GIL оказалось недостаточно. Чтобы Python действительно масштабировался по ядрам, пришлось перепроектировать и внутренности NumPy.Подробнее: https://labs.quansight.org/blog/scaling-numpy-on-free-threaded-python

🐍 Как правильно запускать внешние команды из PythonДля большинства задач не нужны os.system() или низкоуровневый Popen. Достаточно subprocess.run() - он запускает программу, передаёт аргументы, возвращает код завершения и позволяет получить вывод.import subprocessresult = subprocess.run( ["git", "status", "--short"], capture_output=True, text=True, check=True, timeout=10,)print(result.stdout)Что здесь происходит:- capture_output=True сохраняет stdout и stderr- text=True возвращает строки вместо bytes- check=True выбрасывает CalledProcessError, если команда завершилась с ошибкой- timeout=10 не позволяет процессу зависнуть навсегдаОшибки лучше обрабатывать явно:import subprocesstry: result = subprocess.run( ["git", "status", "--short"], capture_output=True, text=True, check=True, timeout=10, )except subprocess.TimeoutExpired: print("Команда выполнялась слишком долго")except subprocess.CalledProcessError as error: print(error.stderr)else: print(result.stdout)Передавайте команду списком аргументов. shell=True нужен редко и может создать уязвимость к внедрению команд, особенно если строка содержит пользовательские данные.subprocess.run() - простой и надёжный мост между Python и системными утилитами, Git, компиляторами, CLI-инструментами и другими программами.Подробнее: https://pythonmorsels.com/running-subprocesses-in-python/