📚Python Books

Математика без попсы: три бесплатных книги для тех, кто хочет настоящий фундамент Три бесплатные книги Аллена Хатчера по математике Если хочется нормального фундамента по топологии, K-theory и теории чисел, у Аллена Хатчера есть отличный бесплатный набор. 1. Algebraic Topology Классический учебник по алгебраической топологии. Книга вышла в Cambridge University Press, но онлайн-версия доступна бесплатно по соглашению с издателем. На сайте есть полный PDF, главы отдельно, исправления и дополнительные упражнения. https://pi.math.cornell.edu/~hatcher/AT/AT.pdf Дополнительно: Spectral Sequences - отдельная расширенная глава к этой книге. https://pi.math.cornell.edu/~hatcher/AT/ATch5.pdf 2. Vector Bundles & K-Theory Короткая книга про векторные расслоения, топологическую K-теорию и характеристические классы. Сейчас онлайн выложено около 120 страниц: основы vector bundles, часть K-theory, Bott periodicity, characteristic classes и stable J-homomorphism. https://pi.math.cornell.edu/~hatcher/VBKT/VB.pdf 3. Topology of Numbers Необычное введение в теорию чисел через геометрию и картинки. Много внимания уделено квадратичным формам, диаграмме Фарея, цепным дробям, уравнению Пелля, quadratic reciprocity и topograph Конвея. PDF примерно на 350 страниц доступен бесплатно. https://pi.math.cornell.edu/~hatcher/TN/TNbook.pdf

Linear Algebra for Computer Science 📓 Read @datascienceiot

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

Bigger MoE models keep winning on quality, but serving them at interactive latency is still hard. NVIDIA compresses the hybrid MoE Nemotron-3-Super into Puzzle-75B-A9B and roughly doubles interactive server throughput while holding quality. Paper: https://arxiv.org/abs/2607.04371

🔥 Интенсив Путь в ИБ: деньги, карьера, реальность стартует УЖЕ СЕГОДНЯ! 📗Сохраняйте расписание: 🗓 7 ИЮЛЯ | День 1 🎙 Спикер: Лев — Инфраструктурный пентест. Эксперт по пентесту, Active Directory и безопасности Windows-сред. Работает с атаками на корпоративные сети и покажет, как новичку зайти в специализацию, где ценится понимание инфраструктуры. 🟢Тема: AD И ПЕНТЕСТ: СПЕЦИАЛИЗАЦИЯ, ЗА КОТОРУЮ ПЛАТЯТ 🟦Практическая сторона безопасности: как проверяют корпоративные сети, находят слабые места и превращают этот навык в высокооплачиваемую профессию. 🟦Что такое AD и почему без него не понять корпоративную безопасность 🟦Как атакующий двигается по сети и ищет слабые места 🟦Что нужно новичку на старте: сети, Windows и базовый код 🟦Почему компании платят за умение решать реальные задачи 🗓 8 ИЮЛЯ | День 2 🎙 Спикер: Гамид — Навигатор по кибербезу. DevSecOps-специалист, работает на стыке разработки, инфраструктуры и безопасности: знает, как устроены реальные ИБ-процессы в компаниях, какие специалисты нужны рынку и как не запутаться на старте обучения. 🟪Тема: КАРТА КИБЕРБЕЗОПАСНОСТИ: КУДА ИДТИ, ГДЕ ДЕНЬГИ И КАК НАЧАТЬ 🟦Раскладываем сферу ИБ по полочкам: какие направления есть, чем они отличаются, сколько можно зарабатывать и какой первый шаг выбрать. 🟦Как устроена кибербезопасность изнутри и зачем она бизнесу 🟦Пентест, SOC, работа этичных хакеров и защита инфраструктуры 🟦AppSec и DevSecOps: почему это отдельное направление с высоким спросом 🟦Как выбрать свой путь в ИБ и сделать первый шаг 🗓 9 ИЮЛЯ | День 3 🎙 Спикер: Евгений Ивченков — Эксперт по киберразведке, анонимности и безопасности с AI-инструментами. Сейчас cyber security researcher. В прошлом соавтор курса «Анонимность и безопасность 1.0» в CyberYozh. 🟡Тема: AI-АГЕНТ В ВАШЕЙ СИСТЕМЕ: КТО РЕАЛЬНО КОМАНДУЕТ 🟦Разбираем, почему ChatGPT, AI-агенты и другие ИИ-инструменты могут быть не только помощниками, но и источником риска. 🟦Как ИИ уже используют в кибербезопасности 🟦Чем AI-агенты отличаются от обычного чата с нейросетью 🟦Что такое обман ИИ простыми словами и зачем это знать новичку 🟦Как правильно применять нейросети для обучения и работы ⏰ Старт первого эфира уже сегодня. Все закрытые разборы, материалы и бонусы получат только зарегистрированные участники. ▶️ УЗНАТЬ БОЛЬШЕ 🦔 CyberYozh

💵 GFusion: как мы обучали диффузионную LLM в GigaChat «А что, если LLM будет генерировать не строго по одному токену слева направо, а сразу блок текста?» Именно эту идею мы проверяли в проекте GFusion — диффузионной языковой модели на базе GigaChat3-10B-A1.8B-base. Отдельно хочется отметить, что этот проект начал и довёл до релиза стажер команды GigaChat Pretrain. Он прошёл весь путь от идеи и первых экспериментов до обучения модели, оптимизаций, поддержки в inference runtime и публикации в open source. Почему это интересно? Классические LLM генерируют текст авторегрессионно: каждый следующий токен зависит от всех предыдущих. Это устоявшийся подход, но шаги генерации модели выполняются строго последовательно. В то же время диффузионная LLM берёт частично замаскированный блок и постепенно восстанавливает токены внутри него. За один forward pass модель может финализировать не один, а сразу несколько токенов. Так и появляется ускорение. Чем больше токенов модель уверенно восстанавливает за один проход, тем меньше шагов ей нужно для генерации ответа. Вместо дорогостоящего обучения с нуля мы взяли сильную авторегрессионную LLM и перевели её в диффузионный режим генерации. Цикл обучения включал: 🔘адаптацию AR-модели к диффузионной генерации; 🔘постепенное увеличение размера блока; 🔘сравнение полностью диффузионного обучения и гибридного подхода AR+dLLM; 🔘SFT с complementary masking и стадией confidence tuning для дополнительного ускорения генерации. Результаты: 🔘GFusion в режиме одного пользователя генерирует в среднем на 70% быстрее GigaChat3-10B-A1.8B. 🔘Даже по сравнению с GigaChat3-10B-A1.8B + MTP-головой ускорение составило около 39%. 🔘Просадка качества относительно авторегрессионной модели осталась в пределах 2–4 п.п., а сам трейд-офф между скоростью и качеством можно контролировать параметрами диффузионной генерации. 🔘Добавлена поддержка GFusion в SGLang и реализован entropy-bounded sampling — алгоритм семплирования, который ускоряет генерацию не только GFusion, но и других диффузионных LLM. 🔘Для обучения написана и выложена в open-source своя реализация attention на TileLang под структуру диффузионной маски и получено до +77% end-to-end ускорения относительно Flex-Attention на длинном контексте. 💡 Главный вывод GFusion состоит в том, что ускорение LLM может требовать переосмысления самого подхода к генерации. Однако, чтобы это заработало на практике, важно довести до рабочего состояния весь стек от обучения и SFT до декодинга, attention-ядер и поддержки в inference runtime. ➡️Подробности — в статье на Habr. ➡️HF: GFusion-10B-A1.8B-base GFusion-10B-A1.8B ➡️GitVerse

Будущее софта - это код, который умеет рассуждать И первый шаг туда всё ещё максимально простой: выучить Python. freeCodeCamp выкатили большой бесплатный курс, где тебя проводят от базы Python до разработки автономных AI-агентов. Внутри: 1. основы Python 2. NumPy, Pandas и SQLite 3. REST API, Flask и FastAPI 4. LLM-интеграции 5. ChatGPT, Gemini и HuggingFace 6. инструменты для AI Agents По сути, это не просто “курс по Python”, а маршрут в современный AI engineering. https://freecodecamp.org/news/learn-python-and-build-autonomous-agents/

Один из лучших вводных материалов по прикладной линейной алгебре, который мне попадался. Этот курс объясняет векторы, матрицы и метод наименьших квадратов с самых основ, а затем связывает их с реальными задачами: • подгонка данных • машинное обучение • оптимизация • обработка изображений • системы управления Это материал, который можно рекомендовать студентам, инженерам и всем, кто хочет понять математический фундамент современной data science. PDF: http://web.stanford.edu/~boyd/vmls/vmls.pdf

⚡️ 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

🖥 Python в 2026 - уже не просто «первый язык программирования». Это инструмент, с которым можно автоматизировать задачи, писать скрипты, собирать проекты, работать с данными, делать ботов и использовать ИИ как ускоритель разработки. Но есть проблема: большинство новичков учат Python кусками. Немного синтаксиса, пару задачек, немного теории - и потом ступор: «а что с этим делать дальше?» Этот курс сделан иначе. Здесь упор на реальную практику: вы не просто смотрите уроки, а постепенно учитесь писать код, разбирать ошибки, собирать рабочие решения и понимать, как Python применяется в нормальных задачах. Что внутри: - Python с нуля понятным языком - практика вместо бесконечной сухой теории - реальные задачи и проекты - автоматизация рутины - работа с файлами, данными и API - понятная логика программирования - современный подход к разработке с ИИ - отдельный акцент на вайбкодинг Вайбкодинг -это умение правильно ставить задачу, проверять код, понимать результат и ускорять работу без слепого копирования. В 2026 году это уже не бонус, а нормальный навык разработчика. Сегодня скидка 60 процентов: https://stepik.org/course/288218/info