📚Python Books

🔥 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

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 Distance Исследование 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 приближения Полезно 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 + ML Applied 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-моделями Подойдёт 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 GitHub 1. The Rust Programming Language https://github.com/rust-lang/book 2. Rust by Example https://github.com/rust-lang/rust-by-example 3. The Little Book of Rust Books https://github.com/lborb/book 4. Python Data Science Handbook https://github.com/jakevdp/PythonDataScienceHandbook 5. Dive Into Deep Learning https://github.com/d2l-ai/d2l-en 6. Probabilistic Machine Learning https://github.com/probml/pml-book 7. Algorithms for Decision Making https://github.com/algorithmsbooks/algforopt-notebooks 8. Operating Systems: Three Easy Pieces https://github.com/remzi-arpacidusseau/ostep-homework 9. Crafting Interpreters https://github.com/munificent/craftinginterpreters 10. 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-books Последний 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 одиночку Окружение 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_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: https://t.me/+S4hinvO3QI43ZjNi Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение 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_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: https://t.me/+S4hinvO3QI43ZjNi Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

📚 Бесплатный 348-страничный учебник по Machine Learning для инженеров и исследователей Machine 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 ethics Хороший 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 блокировки Казалось 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 ThreadPoolExecutor import numpy as np arrays = [ 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 Python Для 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 subprocess result = 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 навсегда Ошибки лучше обрабатывать явно: import subprocess try: 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/