Prog books

Maths, CS & AI Compendium: бесплатный учебник для будущих AI/ML-инженеров На GitHub завирусился большой open-source компедиум по математике, computer science и AI. Сейчас у проекта уже около 6.3K звёзд. Автор позиционирует его как «нестандартный учебник» для практиков: меньше сухой нотации, больше интуиции, связей между темами и реального контекста. Внутри 20 глав: * векторы, матрицы, calculus * статистика и вероятность * machine learning и deep learning * NLP, computer vision, audio/speech * multimodal learning и autonomous systems * GNN, OS, алгоритмы * production engineering, GPU/SIMD * AI inference, ML systems design и applied AI Отдельно есть MCP server, чтобы Claude Code, Cursor, VS Code и другие AI-ассистенты могли использовать компедиум как локальную базу знаний. Хороший ресурс для тех, кто хочет не просто «выучить ML», а собрать фундамент: математика → CS → ML systems → современный AI. GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium thub.com/HenryNdubuaku/maths-cs-ai-compendium

Algebra, Topology, Differential Calculus, and Optimization Theory For Computer Science and Machine Learning Недавно был обновлен огромный PDF-учебник по математике на 2204 страницы: Внутри - алгебра, топология, дифференциальное исчисление и теория оптимизации для Computer Science и Machine Learning. Найти можно здесь: https://cis.upenn.edu/~jean/gbooks/geomath.html

🖥 Обито учит контейнеризации. Контейнер - это отдельное измерение для приложения. Запускаешь сервис через Docker — и он не ломает основную систему. Хочешь понять, что происходит внутри? Смотри логи и заходи в контейнер через shell. Если сервисов несколько, используй Docker Compose. Одна команда поднимает приложение, базу данных и кеш. А важные данные храни в volume. Контейнер можно удалить, но данные должны остаться. И не забывай чистить Docker. Лишние контейнеры и образы быстро превращают систему в хаос. Настоящий шиноби не запускает хаос. Он изолирует его.

В Оксфордском университете написали эссе, объясняющее, как работает «Бесконечность» Годзё Сатору. Математика, которую мы заслужили ) https://tomrocksmaths.com/wp-content/uploads/2026/06/achmad-roykhan-sabiq_essay_competition_2026-achmad-roykhan-sabiq.pdf @data_analysis_ml

🖥Ускорь Linux без апгрейда железа Linux может стать заметно отзывчивее без апгрейда железа. Мало кто включает zram, а зря. Он создаёт сжатую память прямо в RAM и снижает обращения к медленному swap на диске. Особенно хорошо это чувствуется на ноутбуках и VPS с 8–16 гигабайтами памяти. Система меньше тупит под нагрузкой, быстрее переключается между задачами и реже упирается в диск. Один небольшой твик - и Linux работает лучше. https://www.youtube.com/shorts/XGSNY4a0nJA

⚡️ Linux Roadmap: подробный практический курс от нуля до уверенного администратора Это пошаговый маршрут изучения Linux с упором на практику. Каждый раздел содержит объяснение «почему это устроено именно так», разбор команд и обязательные задания, которые нужно выполнить руками в терминале. Чтение без повторения навыка не даёт — держите терминал открытым рядом с этим текстом. Как работать с этим курсом: идите сверху вниз, не перепрыгивайте разделы; каждую команду набирайте руками, а не копируйте; в конце каждого блока выполняйте задание; специально ломайте систему в виртуалке и чините — это лучший способ учиться. https://github.com/justxor/linuxfullroadmap/

⚡️ Machine Learning Roadmap 2026: большая карта входа в ML без сказок про “нейросети за месяц Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга. Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа. Roadmap разбит на 7 треков: 1. Фундамент: Python, математика, статистика, инструменты 2. Классический ML: scikit-learn, табличные данные, метрики, валидация 3. Deep Learning: PyTorch, CNN, RNN, training loop 4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты 5. Generative AI: изображения, видео, аудио, мультимодальность 6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving 7. Специализация: CV, NLP, RecSys, RL, Safety Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”. В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы. Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось. По времени тоже без сказок: 1. 0-3 месяца: математика, классический ML 2. 3-6 месяцев: Deep Learning и PyTorch 3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты 4. 12+ месяцев: MLOps, прод, масштабирование, специализация Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу! Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир. https://github.com/justxor/MachineLearningRoadmap

🖥 C# Roadmap: с нуля до профи Практическое руководство по росту в C#-разработке. Материал собран для тех, кто хочет получить инженерную глубину, а не просто накликать CRUD по туториалам. Здесь последовательность изучения, лучшие практики, ресурсы и трезвый разбор того, как работать с ИИ-инструментами и оставаться востребованным. https://github.com/Develp10/Csharp_Roadmap/

📓 Пять PDF по оптимизации, которые реально стоит сохранить. Жёсткая база по тому, как код превращается в инструкции, как эти инструкции исполняются процессором и почему иногда «очевидно быстрый» вариант внезапно медленнее. Что внутри: 1. Optimizing software in C++ 179 страниц про оптимизацию C++ под Windows, Linux и macOS. Память, ветвления, компиляторы, SIMD, профилирование и типичные ошибки. 2. Optimizing subroutines in assembly language 156 страниц про x86 assembly. Полезно даже если вы не пишете на ассемблере, потому что после этого проще понимать, что делает компилятор. 3. The microarchitecture of Intel, AMD and VIA CPUs 277 страниц про устройство процессоров: pipeline, кеши, предсказание ветвлений, execution units и прочие вещи, которые напрямую влияют на скорость кода. 4. Instruction tables 485 страниц таблиц с latency, throughput и micro-ops для инструкций Intel, AMD и VIA. Это уже не чтение перед сном, а справочник для тех случаев, когда надо понять, где именно теряется производительность. 5. Calling conventions 60 страниц про calling conventions в разных C++ компиляторах и ОС. Пригодится для ABI, FFI, отладки, reverse engineering и низкоуровневого кода. Ссылки: https://agner.org/optimize/optimizing_cpp.pdf https://agner.org/optimize/optimizing_assembly.pdf https://agner.org/optimize/microarchitecture.pdf https://agner.org/optimize/instruction_tables.pdf https://agner.org/optimize/calling_conventions.pdf Все пять одним архивом: https://agner.org/optimize/optimization_manuals.zip Главная страница: https://agner.org/optimize/ Если хотите понимать performance не на уровне «ну там компилятор сам всё оптимизирует», а по-настоящему - это хороший старт.

🦀 Полный roadmap по изучению Rust на русском + большой список ресурсов. https://github.com/Develp10/rust-roadmap-ru/tree/main