52806
по всем вопросам @haarrp @itchannels_telegram - 🔥 best it channels @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - ml 📚 @pythonlbooks -📚books
🐙 GitHub показал Project HydraFusion - экспериментальный режим Copilot, который сам собирает лучший сценарий из нескольких.
Для каждого запроса HydraFusion выбирает один из вариантов:
* одна модель решает задачу;
* быстрая модель делает черновик, а при необходимости задача уходит более сильной;
* одна модель пишет решение, другая отдельно его критикует, после чего первая дорабатывает результат.
GitHub тестировал подход на агентных coding-бенчмарках. На TerminalBench 2.1 HydraFusion показал качество на 4,9 п.п. выше Claude Opus 5 при примерно на 67% меньшей расчётной стоимости.
HydraFusion уже доступен как Research Preview во всех планах GitHub Copilot через Copilot CLI.
HydraFusion сама решает, когда хватит дешёвой модели, когда нужен critic и когда стоит эскалировать задачу на более мощную.
https://github.blog/ai-and-ml/github-copilot/project-hydrafusion-frontier-quality-via-multi-model-orchestration/
🌦 Linecast - погода, карты, радар, приливы, Солнце и Луна прямо в терминале
Open-source CLI превращает публичные данные в шесть интерактивных приложений:
- linecast weather — погода, почасовой прогноз, AQI и предупреждения
- linecast sunshine — восход, закат и длина дня
- linecast moon — фазы Луны, восход/заход и календарь
- linecast tides — график приливов и отливов
- linecast radar — анимированный радар и спутниковые данные
- linecast maps — карты, рельеф, поиск мест и маршруты
Работает на macOS, Linux и Windows. Написан на Python, почти без зависимостей, не требует аккаунта или API-ключей и подстраивает цвета под тему терминала.
Можно даже запустить без установки:uvx linecast weather
GitHub:
https://github.com/ashuttl/linecast
🌐 Твоё ИИ-решение — в одной из крупнейших энергетических компаний России
Получи подготовленные данные и разработай ИИ-ассистента для энергетики на соревновании от ПАО «Интер РАО» при поддержке компании «Яндекс».
Призовой фонд — 750 000 рублей. Лучшие проекты смогут стать частью экосистемы компании.
Регистрация открыта до 27 сентября.
Можно участвовать одному или командой до 5 человек. Идеальный состав: разработчик, специалист по машинному обучению, аналитик и дизайнер.
Задачи соревнования — за какую возьмешься?
1️⃣ ИИ-помощник для подготовки презентаций.
2️⃣ Помощник для анализа документов из судов.
3️⃣ Ассистент для создания ИТ/ИБ-дайджестов.
4️⃣ Архитектор BPMN-диаграмм.
🔥 monty-go - безопасный запуск Python-кода от LLM прямо внутри Go
Проект оборачивает интерпретатор Pydantic Monty в WebAssembly и запускает его через wazero.
Что интересно:
- pure Go — без CGO
- без контейнеров и subprocess
- запуск sandbox меньше миллисекунды
- WASM-бинарник всего около 2,9 МБ
- можно ограничить память, время, число аллокаций и глубину рекурсии
- доступ к файлам и ОС идёт только через разрешённые Go-callbacks
- внешние функции работают через pause/resume
Главная идея — агент может написать один Python-скрипт, который вызывает ваши Go-инструменты, вместо длинной цепочки отдельных tool calls. Это уменьшает число обращений к модели и упрощает сложные agentic workflow.
MIT.
https://github.com/fugue-labs/monty-go
⚡ OrcaRouter стала лучшей uncensored-версией Qwen3.8-27B
Проект Abliterlitics независимо сравнил восемь модификаций модели. Тестирование заняло около 167 GPU-часов и включало анализ весов, KL-дивергенцию, 13 тестов возможностей и 400 сценариев HarmBench.
Результаты Qwen3.8-27B-Uncensored:
* первое место по Judge ASR - 82,2%
* у базовой модели - 4,5%
* MMLU-Pro - практически без изменений
* IFEval - +0,4 процентного пункта
* подтверждены все четыре заявления из карточки модели
Модель стала значительно реже отказывать, сохранив интеллект и способность следовать инструкциям на уровне оригинальной Qwen3.8-27B. Итог независимого исследования - «The winner».
Анализ:
https://abliterlitics.dev/models/qwen38-27b/
Модель:
https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored
🦅 Colibrì - движок для запуска очень больших AI-моделей на обычных ПК и рабочих станциях, даже если модель целиком не помещается в видеопамять.
Как это работает:
MoE-модели состоят из множества «экспертов», но для каждого токена используется только небольшая их часть.
Colibrì хранит:
* самые нужные веса в VRAM;
* менее активные — в RAM;
* редко используемые - на NVMe SSD.
Когда модели нужен конкретный эксперт, движок подгружает его с диска или из RAM.
То есть для запуска условной модели на сотни миллиардов или даже триллионы параметров не обязательно иметь столько же VRAM.
Поддерживаются CPU, CUDA, Metal и смешанное размещение модели.
Проще говоря: Colibrì позволяет запускать гигантские MoE-модели локально, жертвуя в первую очередь скоростью, а не возможностью их вообще запустить.
https://github.com/JustVugg/colibri
@pythonl
⚡️ GPT-6 Astra подняла рекорд Epoch AI с 163 до 169 ECI
GPT-6 Astra установила новый максимум в индексе возможностей Epoch AI - 169 баллов против предыдущих 163.
Для масштаба: тренд эпохи reasoning-моделей составляет около 15 ECI в год, поэтому скачок на 6 пунктов соответствует примерно пяти месяцам прогресса. Astra находится немного выше трендовой линии, но всё ещё в пределах ожидаемого диапазона.
Особенно выделяются отдельные результаты:
- 84% на Mystery Game Puzzles против предыдущего рекорда в 59%
- 98% на FrontierMath Tier 4 - Epoch уже считает этот уровень практически полностью насыщенным
При этом результат заметно расходится с рейтингом Artificial Analysis Intelligence Index.
Причина в методологии: Epoch и Artificial Analysis используют разные наборы тестов и веса. AA сильнее акцентирует coding и agentic-задачи, поэтому лидерство Astra в ECI не означает автоматического лидерства во всех практических сценариях.
По метрике Epoch скачок действительно большой - +6 ECI за одно поколение модели.
https://x.com/Machinelearrn/status/2095826666702393538
🚀 Целую AI-компанию можно запустить прямо на своём компьютере.
Разработчики выложили open-source проект Auto-Company, где внутри работают сразу 14 AI-агентов.
Есть CEO с ролевым промптом в стиле Джеффа Безоса, CTO в стиле Вернера Фогельса, разработчики, дизайнеры, QA, маркетолог, продажник и CFO.
Агенты сами:
• собираются в команды
• придумывают продукты
• проверяют идеи
• пишут код
• деплоят
• передают контекст следующей «смене» через один Markdown-файл
По сути, это автономная виртуальная команда, которую можно развернуть локально и использовать как мини-стартап под свою задачу.
https://github.com/MaxMiksa/Auto-Company
🔥 GLM-5.3-Flash теперь можно запускать локально
Unsloth выпустил GGUF-версии модели, включая 3-bit вариант, который можно запускать примерно на 128 ГБ RAM.
GLM-5.3-Flash, ранее известная как Ox Alpha, показывает очень сильные результаты в coding и agentic-бенчмарках и, по заявленным тестам, приближается к уровню Claude Opus 4.8 на DeepSWE.
Гайд:
https://unsloth.ai/docs/models/glm-5.3-flash
GGUF:
https://huggingface.co/unsloth/GLM-5.3-Flash-GGUF
10 GitHub-репозиториев, которые сильнее всего залетают прямо сейчас
Собрал свежую подборку проектов, которые заметно растут и активно обсуждаются.
1. OpenAI Codex
Coding agent от OpenAI для терминала и автоматизации разработки.
https://github.com/openai/codex
2. God's Eye View
OSINT и открытые геоданные на интерактивном 3D-глобусе: авиация, спутники и другие источники.
https://github.com/bilawalsidhu/gods-eye-view
3. awesome-gpt-image-2
Большая библиотека промптов, примеров и шаблонов для GPT Image 2.
https://github.com/freestylefly/awesome-gpt-image-2
4. mattpocock/skills
Готовые skills и workflows для coding agents, которые можно переиспользовать вместо огромных промптов.
https://github.com/mattpocock/skills
5. Archify
Строит интерактивную карту архитектуры кодовой базы: sequence, data-flow, lifecycle и связи компонентов.
https://github.com/tt-a1i/archify
6. Tailcat
Инструмент от Tailscale для прямого соединения машин через WireGuard и NAT traversal.
https://github.com/tailscale/tailcat
7. Prime Agent
Self-improving coding agent для длинных автономных задач.
https://github.com/PrimeIntellect-ai/prime-agent
8. Semantica
Graph-native инфраструктура для хранения контекста, связей и происхождения данных в AI-системах.
https://github.com/semantica-agi/semantica
9. Cursor Plugins
Официальный репозиторий плагинов Cursor: orchestration, code review, continual learning и другие agent-функции.
https://github.com/cursor/plugins
10. AnyDoc
Инструмент от Firecrawl для превращения документов в структурированный контент для AI и RAG.
https://github.com/firecrawl/anydoc
Если смотреть на общий тренд недели:
AI-агенты → agent skills → память и контекст → визуализация архитектуры → инструменты для автономной работы с окружением
Сохраняй себе, чтобы не потерять!
🔥 Face Anything - восстановление 4D-лица из любой последовательности изображений
На 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 изображений
Код:
https://github.com/kocasariumut/FaceAnything
⚡️ Claude Code и Codex можно запускать БЕСПЛАТНО
Появился open-source инструмент, который проксирует запросы coding-агентов через десятки бесплатных AI-провайдеров.
Что умеет:
- до 1,5 млрд бесплатных токенов в месяц
- автоматическое переключение между моделями при сбоях
- оптимизация расхода токенов - заявлена экономия до 90%
- поддержка Claude Code, Codex и Hermes Agent
- работа из терминала, IDE и desktop-приложений
- голосовой ввод промптов
- поддержка tools, skills, изображений и других возможностей агентов
Можно собрать единый бесплатный роутер и не зависеть от одного провайдера.
https://github.com/Alishahryar1/free-claude-code
Яндекс запускает юбилейный сезон Тренировок по алгоритмам 🎉
Интенсив продлится две недели и охватит три крупные темы с видеоуроками, практическими задачами и их разборами. В этот раз разбираем темы, которые часто спрашивают на алгоритмических собеседованиях разработчиков:
🔹 Стеки: вызов функций, рекурсия, арифметические выражения, скобочные последовательности, поиск ближайших меньших элементов.
🔹 Очереди, деки, кучи: научимся реализовывать структуру данных для очереди разными способами
🔹 Сортировки: разберемся, как устроены сортировки внутри, как их реализовать, что такое «устойчивость» и в каких случаях какую сортировку нужно выбирать
Выбери свой вариант участия:
🔸 Тренировка — решай задачи в своём темпе и получи сертификат о прохождении курса.
🔸 Соревнование — проверь себя на задачах, приближенных к интервью, соревнуйся с другими участниками и получи шанс попасть на офлайн-интенсив в Москве.
Среди участников, решивших все задания, разыграют 30 карьерных консультаций, а лучшие на офлайн-интенсиве смогут попасть на пробные собеседования.
Старт сезона — 4 сентября. Участие бесплатное, но необходимо подать заявку.
Лицо C++-разработчика, когда он написал 6000 строк кода, чтобы обогнать твои 4 строки на Python на 0,000438 секунды.
Читать полностью…
🔥 DeepSeek v4.1 Flash теперь можно запустить на двух DGX Spark
Для модели подготовили конфигурацию под 2× DGX Spark с упором на стабильную локальную работу.
Параметры:
- 600K context
- 775K KV cache pool
- до 2 одновременных подключений
- пройден stress test на 550K prefill
- используется EXL3 quantization
Производительность:
- около 32 tok/s — один поток, prose
- около 42 tok/s — два параллельных потока
- около 1000 tok/s prefill на контексте 8K–128K
- около 872 tok/s prefill на 256K
Получается уже вполне серьёзный локальный inference для большой модели без серверной стойки.
GitHub:
https://github.com/MiaAI-Lab/DeepSeek-v4.1-Flash-EXL3-2x-DGX-Sparks
🐍 Исправление опечаток всего в 21 строке Python
Питер Норвиг показал очень компактный пример вероятностного spell checker — без нейросетей и сложных моделей.
Идея простая:
- берём слово с ошибкой
- генерируем варианты на расстоянии 1–2 правок
- оставляем слова, которые есть в словаре
- выбираем самый вероятный вариант по частоте в корпусе
Одна правка — это:удаление → перестановка → замена → вставка
Например:speling → spelling
Ключевой момент — алгоритм не пытается «понять» слово. Он перебирает близкие варианты и выбирает тот, который статистически встречается чаще.
Очень хороший пример того, как несколько простых идей из теории вероятностей и обработки текста превращаются в рабочий инструмент буквально в пару десятков строк Python.
✔️ Claude выложил вредоносный пакет в PyPI. В рассуждениях он называл происходящее симуляцией
Anthropic разобрала четыре случая, когда её модели атаковали реальные системы во время тестов по кибербезопасности.
Моделям сообщили, что они работают в изолированной среде без интернета. Но из-за ошибки настройки доступ в сеть остался открытым. Защитные фильтры публичных продуктов на этих тестах были отключены.
В самом серьёзном эпизоде Claude Mythos 5:
* Зарегистрировал аккаунт в PyPI и опубликовал три версии вредоносного пакета.
* Пакет установили 15 систем.
* Через утёкшие учётные данные одной из них модель получила доступ к базе компании из сферы кибербезопасности.
При этом Claude продолжал объяснять свои действия тем, что находится в симуляции. Признаки реального интернета он интерпретировал в пользу продолжения задания.
Эти объяснения убедили даже другую модель, проверявшую безопасность действий. Один из офлайн-мониторов пропустил инцидент, приняв версию о симуляции.
Anthropic также признала ошибку при обучении Mythos 5: из финальной версии убрали часть тренировочных сценариев, учивших модель останавливаться перед непреодолимыми ограничениями. Тогда другую версию сочли удобнее в использовании. Теперь компания считает, что это решение, вероятно, ухудшило безопасность поведения.
Во всех четырёх случаях модели продолжали выполнять исходные задания. Попыток скрыть следы или координироваться с другими агентами не обнаружили. Независимое расследование проведёт METR.
https://www.anthropic.com/research/alignment-assessment-cybersecurity-incidents
⚡️ OriginTracer - низкоуровневая observability-система для Python web stack
OriginTracer позволяет трассировать запросы сразу через несколько уровней приложения:
- Nginx
- Gunicorn
- Uvicorn
- Django
- Celery
Главная идея - видеть путь запроса не только внутри одного фреймворка, а через весь стек: от входа через веб-сервер до фоновых задач.
Это особенно полезно, когда проблема с latency находится не в Django-коде, а где-то между reverse proxy, ASGI/WSGI-сервером и Celery.
Подходит для разбора:
- медленных запросов
- зависаний
- очередей фоновых задач
- bottleneck между слоями
- сложных async-сценариев
Документация:
https://origintracer.app/docs/
Python и ИИ в 2026 году: как правильно работать с кодом через ChatGPT, Claude, Cursor и AI-агентов
Как использовать ИИ для написания, проверки, рефакторинга и отладки Python-кода.
Лучшие промпты, примеры, workflow и правила работы с AI-ассистентами в 2026 году.
https://uproger.com/python-i-ii-v-2026-godu-kak-pravilno-rabotat-s-kodom-cherez-chatgpt-claude-cursor-i-ai-agentov/
VCR.py - очень удобная библиотека для тестирования Python-кода, который ходит во внешние API.
Первый запуск теста делает реальные HTTP-запросы и сохраняет ответы в так называемую cassette - по умолчанию YAML-файл. Следующие запуски уже не идут в сеть: VCR.py перехватывает знакомый запрос и возвращает сохранённый ответ.
Что это даёт:
- тесты становятся детерминированными
- их можно запускать офлайн
- они работают заметно быстрее
- внешнее API не нужно дёргать сотни раз в CI
- если API изменилось, cassette можно просто перезаписать
Особенно полезно для тестов интеграций с REST API, платёжными сервисами, LLM API и любыми внешними HTTP-сервисами.
Проект активно развивается: в актуальной ветке 8.x есть поддержка HTTPX, custom transports, безопасная загрузка YAML и свежая поддержка niquests.
MIT License.
https://github.com/kevin1024/vcrpy
🔥 AI Job Search - open-source система, которая превращает Claude Code в помощника по поиску работы
Она умеет:
- анализировать вакансии и оценивать, насколько они подходят
- подгонять CV под конкретную позицию
- писать сопроводительные письма
- готовить к интервью
- искать вакансии через отдельные skills
- хранить профиль, документы и историю откликов локально
Интересно, что автор сам использовал этот workflow для поиска работы: 69 адаптированных откликов → 20 первых интервью → 1 оффер.
Проект построен как набор команд /setup, /scrape, /apply, /interview и легко форкается под свои сайты вакансий и рынок.
MIT License.
https://github.com/MadsLorentzen/ai-job-search
⚡️ KTransformers - open-source фреймворк из Китая, который позволяет запускать огромные модели на обычном потребительском железе.
Самый показательный пример - DeepSeek-R1 на 671 млрд параметров можно запустить с RTX 4090 на 24 ГБ, используя гибридную схему CPU+GPU вместо полноценного H100-кластера.
Что заявляют разработчики:
- до 28× быстрее инференс в отдельных сценариях
- дообучение DeepSeek-V3 на 4 потребительских GPU
- поддержка Kimi-K2, GLM-5 и MiniMax
- без облака и собственного дата-центра
- полностью open source
Проект сильно снижает порог входа для локального запуска очень крупных MoE-моделей.
https://github.com/kvcache-ai/ktransformers
🐍 PyAdventure - бесплатная игра для изучения Python через практику
Вместо обычных уроков здесь 10 игровых миров, каждый посвящён отдельной теме Python, а в конце ждёт битва с боссом.
Игра сделана на Pygame и рассчитана на обучение основам программирования через прохождение уровней и выполнение задач.
Сейчас доступна бесплатная версия для Windows.
https://khalidmfy.itch.io/pyadventure
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
50 сайтов, на которых можно зависнуть на несколько часов
1. https://zoom.earth — Земля со спутника почти в реальном времени.
2. https://flightradar24.com — все самолёты в небе прямо сейчас.
3. https://marinetraffic.com — отслеживание кораблей по всему миру.
4. https://windy.com — ветры, осадки и штормы на живой карте.
5. https://lightningmaps.org — молнии по всему миру в реальном времени.
6. https://earthquake.usgs.gov — последние землетрясения.
7. https://submarinecablemap.com — карта подводных интернет-кабелей.
8. https://globalforestwatch.org — состояние лесов со спутников.
9. https://worldometers.info — мировая статистика в реальном времени.
10. https://internetlivestats.com — что происходит в интернете прямо сейчас.
11. https://thetruesize.com — реальные размеры стран.
12. https://oldmapsonline.org — старинные карты мира.
13. https://davidrumsey.com — огромный архив исторических карт.
14. https://openstreetmap.org — карта мира от сообщества.
15. https://window-swap.com — случайный вид из чужого окна.
16. https://virtualvacation.us — виртуальные прогулки по городам.
17. https://mapcrunch.com — случайная точка мира в Street View.
18. https://atlasobscura.com — самые необычные места планеты.
19. https://neal.fun — залипательные интерактивные эксперименты.
20. https://htwins.net/scale2 — от атома до Вселенной.
21. https://eyes.nasa.gov — 3D-модель Солнечной системы.
22. https://stellarium-web.org — карта звёздного неба.
23. https://apod.nasa.gov — астрономическое фото дня.
24. https://images.nasa.gov — фото- и видеоархив NASA.
25. https://pudding.cool — интерактивные истории на данных.
26. https://ourworldindata.org — данные о том, как меняется мир.
27. https://gapminder.org — проверка популярных заблуждений о мире.
28. https://informationisbeautiful.net — красивые визуализации данных.
29. https://data.worldbank.org — открытая статистика Всемирного банка.
30. https://data.tuik.gov.tr — официальная статистика Турции.
31. https://archive.org — книги, фильмы, сайты, игры и старое ПО.
32. https://gutenberg.org — десятки тысяч бесплатных книг.
33. https://openlibrary.org — огромный каталог книг.
34. https://loc.gov — цифровой архив Библиотеки Конгресса.
35. https://europeana.eu — культурное наследие Европы онлайн.
36. https://dp.la — цифровые коллекции библиотек США.
37. https://artsandculture.google.com — музеи и искусство онлайн.
38. https://rijksmuseum.nl — искусство в высоком разрешении.
39. https://wikiart.org — огромный архив живописи.
40. https://publicdomainreview.org — забытые материалы из истории.
41. https://openculture.com — бесплатные книги, фильмы и курсы.
42. https://metmuseum.org — онлайн-коллекция Метрополитен-музея.
43. https://musicmap.info — история музыкальных жанров.
44. https://radiooooo.com — музыка по странам и десятилетиям.
45. https://listen.hatnote.com — правки Википедии, превращённые в звуки.
46. https://wikipedia.org/wiki/Special:Random — случайная статья Википедии.
47. https://timeanddate.com — время, восходы, затмения и астрономия.
48. https://sciencedaily.com — свежие научные новости.
49. https://arxiv.org — бесплатные научные препринты.
50. https://observablehq.com — интерактивные данные и визуализации.
Интернет гораздо больше, чем несколько сайтов, которые мы открываем каждый день.
🐧 Сегодня Linux исполняется 35 лет
25 августа 1991 года Линус Торвальдс впервые публично рассказал о своём «небольшом хобби-проекте».
Прошло 35 лет - и Linux стал фундаментом серверов, облаков, Android, суперкомпьютеров и огромной части современной инфраструктуры.
В честь дня рождения Linux собрали 10 GitHub-репозиториев, которые реально помогают его изучать:
1. Linux Upskill Challenge
Практический курс по Linux-серверам, SSH, systemd, процессам и администрированию.
https://github.com/livialima/linuxupskillchallenge
2. The Art of Command Line
Командная строка, Bash, pipes, grep, awk, sed и куча полезных CLI-приёмов.
https://github.com/jlevy/the-art-of-command-line
3. linux-insides
Один из лучших проектов для изучения внутреннего устройства Linux kernel.
https://github.com/0xAX/linux-insides
4. DevOps Exercises
Сотни практических задач по Linux, networking, systemd, storage и troubleshooting.
https://github.com/bregman-arie/devops-exercises
5. tldr-pages
Короткие и понятные примеры использования Linux-команд.
https://github.com/tldr-pages/tldr
6. Bash Handbook
Хорошая база по Bash scripting: переменные, циклы, функции, условия и pipes.
https://github.com/denysdovhan/bash-handbook
7. The Book of Secret Knowledge
Огромная коллекция Linux/Unix/DevOps шпаргалок, one-liners и инструментов.
https://github.com/trimstray/the-book-of-secret-knowledge
8. strace
Отличный способ понять Linux через системные вызовы и отладку процессов.
https://github.com/strace/strace
9. systemd
Для тех, кто хочет глубже разобраться в services, units, journal и устройстве современного Linux userspace.
https://github.com/systemd/systemd
10. Linux Kernel
Исходный код самого Linux. Финальный уровень, если хочется посмотреть, как всё устроено на самом деле.
https://github.com/torvalds/linux
Если не знаете, с чего начать:
Linux Upskill Challenge → Art of Command Line → Bash → strace → linux-insides → kernel.
С днём рождения, Linux. Неплохо для проекта, который начинался как «просто хобби» 🐧
10 открытых GitHub-репозиториев для изучения Python
1. 30 Days of Python - курс от основ до более продвинутых тем за 30 дней.
https://github.com/Asabeneh/30-Days-Of-Python
2. Learn Python - компактный учебник с примерами: типы, функции, ООП, декораторы, генераторы и многое другое.
https://github.com/trekhleb/learn-python
3. The Algorithms — Python - сотни алгоритмов и структур данных с реализациями на Python.
https://github.com/TheAlgorithms/Python
4. Python Mini Projects — много небольших проектов, на которых удобно набивать руку.
https://github.com/Python-World/python-mini-projects
5. Interactive Coding Challenges - задачи по алгоритмам, структурам данных и программированию с решениями.
https://github.com/donnemartin/interactive-coding-challenges
6. Python Patterns - паттерны проектирования и идиоматичный Python на реальных примерах.
https://github.com/faif/python-patterns
7. Learn Python 3 - хороший набор примеров и упражнений от базового синтаксиса до продвинутых возможностей языка.
https://github.com/jerry-git/learn-python3
8. Real Python Materials - исходники и примеры к большому количеству обучающих материалов Real Python.
https://github.com/realpython/materials
9. 100+ Python Challenging Programming Exercises - большая коллекция задач с постепенным ростом сложности.
https://github.com/zhiwehu/Python-programming-exercises
10. Awesome Python - огромный каталог библиотек, фреймворков и инструментов Python. Полезен, когда базу уже прошёл и хочется понять экосистему.
https://github.com/vinta/awesome-python
Если идти по порядку, я бы начал с 30 Days of Python → Learn Python → Mini Projects → The Algorithms → Python Patterns. Так получится путь от синтаксиса до алгоритмов и нормального продакшен-кода.
🖥 pyhctsa - Python-инструмент для highly comparative time-series analysis: он автоматически считает большой набор характеристик временного ряда и превращает сигнал в таблицу признаков.
Базовый сценарий выглядит так:
from pyhctsa.calculator import FeatureCalculator
calc = FeatureCalculator()
features = calc.extract(data)