📚Python Books

100 вопросов на Python Senior: к чему готовиться на собеседовании в 2026 Вышла 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 AI Вышла 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 Learning 461-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 Notebook Полезно для изучения научного ML, PINN и нейросетевого решения физических задач. https://arxiv.org/abs/2109.05237

📘 Elementary Probability for Applications - бесплатная книга по теории вероятностей 163 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 миграций Оказывается, 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: triggers table comments security labels другие schema-level настройки Автор 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 Models Короткий 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 применения Хороший 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 мышление Хорошая 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 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