منشورات أخرى — صفحة 7

178 منشور إجمالًا
I
IT Вакансии Казахстан
@workitkz
9.1K

#вакансия #астана #оффлайн #workITkz #python, #fullstack Должность: AI Engineer/Data Scientist Компания: Национальный Центр Тестирования (NTC) testcenter.kz Город: Астана Занятость: оффлайн Оплата: 700000-900000

Описание вакансии: Разработка ИИ-решений для образовательных систем Разработка автоматизированных пайплайнов для проверки и оценки ответов Проведение экспериментов с большими языковыми моделями (LLM), промптами и методами дообучения Подготовка, обработка и анализ данных Опыт работы в Data Science, Machine Learning или NLP от 2 лет Хорошее знание основ машинного и глубокого обучения Уверенное владение Python Продвинутый уровень SQL Опыт работы с библиотеками для анализа данных и машинного обучения: - NumPy - pandas - scikit-learn

Работа в Офисе - Астана

Контакты: Telegram @ayersultan Whatsapp

P
Pythonist.ru - образование по питону
@pythonist_ru
1K

💥 Вакансии по Python за неделю:

📥 Junior Python-разработчик (стажировка) Сбер Junior · Onsite · Москва

📥 Junior Python Developer ITK academy Junior · Remote · Россия · 💰 от ₽75 000

📥 Python Developer (middle) Мегафон Middle · Onsite · Екатеринбург

📥 Backend-разработчик (Python) OperAI Part time · Middle · Remote · Москва

📥 Automation QA Engineer (Python) IT Test Middle · Hybrid · Тула, Санкт-Петербург, Ульяновск · 💰 от ₽150 000

📥 Backend Developer Djatu Senior · Onsite · Москва · 💰 ₽150 000 – 200 000

📥 Backend Developer (Middle/Senior) ВкусВилл Middle · Onsite · Москва

📥 Python Backend Engineer Middle (AI) Сбер Middle · Hybrid · Москва

📥 Python Developer Domclick Middle · Hybrid · Москва

📥 Middle Python разработчик Omega Solution Middle · Remote · Польша · 💰 от $3 000

📥 Python Developer Сбербанк Middle · Onsite · Москва · 💰 ₽280 000 – 460 000

📥 Middle/Senior Python Developer ПАО МТС Middle · Remote · РФ

📥 ML Engineer / Data Scientist (Search & Recommendations) Wisebits Middle · Remote · Кипр · 💰 от €5 000

✈️ Talanto | #вакансии

P
Python Job | Вакансии | Стажировки
@job_python
1.9K

⌨️ Многозадачность в python. Асинхронность, процессы, потоки

Приглашаем на открытый урок.

🗓 04 августа в 20:00 МСК 🆓 Бесплатно. Урок в рамках старта курса «Python-разработчик. Продвинутый уровень».

Что будет на вебинаре? ✔️ Разберём особенности различных способов реализации многозадачности. ✔️ Рассмотрим оптимальные случаи применения каждого из способов ✔️ Увидим изменения в реализации многозадачности в различных версиях Python

Что в результате вебинара узнают слушатели? Как/где смогут применить полученные навыки? - Выбирать оптимальную реализацию многозадачности в зависимости от решаемой проблемы - Получать значения метрик, необходимых для анализа преимуществ внедрения многозадачности - Создавать код, использующий аппаратные ресурсы более оптимальным способом.

🔗 Ссылка на регистрацию: https://clck.ru/3V4TMt

Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Д
Джуниор Вакансии Стажировки IT
@juniors_rabota_jobs
3.7K

AI-разработчик Удалённо ‍ Что предстоит делать: — писать интеграции AI-агентов с корпоративными системами; — допиливать внутренние сервисы: авторизация, логирование, личные кабинеты, дашборды; — cобирать лендинги и продуктовые страницы из готовых блоков под брендбук; — делать UI поверх AI-сервисов: дашборды, плагины для мессенджера, обучающие интерфейсы; — поднимать сервисы в нашей инфраструктуре, привязывать домены, чинить мониторинг. — Конкретный микс задач под ваши сильные стороны и интересы, а слабые прокачаем с менторами.

Что нам важно: — ваше знакомство с LLM-харнесом (Claude Code / Codex / VS Code + Claude Code extension): понимаете, что такое контекст, скиллы, sub-agents, MCP. Если на эти слова не реагируете — пока рано; — базовый код: можете прочитать чужой Python / JS / TS-сервис, разобраться и внести изменение; — cамостоятельность как принцип: задачу декомпозируете и двигаете сами, ментор — для архитектурных вопросов и ревью, а не для пошагового сопровождения;

Будет плюсом: — Next.js / React / TypeScript, Tailwind, shadcn/ui; — Python / Node.js на уровне «писал свои сервисы»; — n8n, DeepResearch, опыт деплоя и работы с CI/CD; — Figma → код, базовое SEO.

Что мы предлагаем: — возможность зайти в AI-разработку на старте рынка, когда направление быстро растёт, а сильная практическая экспертиза только формируется; — реальные задачи вместо учебных песочниц: ты будешь работать с AI-инструментами, которые помогают автоматизировать процессы, ускорять работу команд и искать новые продуктовые решения; — опыт в R&D-команде: рядом будут люди, которые каждый день экспериментируют с AI, проверяют гипотезы и внедряют рабочие решения в компании; — доступ к ведущим AI-инструментам и подпискам за счёт компании; обучение через практику, внутреннюю экспертизу и специализированные курсы; — удалённый формат и гибкий график: ориентир по загрузке 25–40 часов в неделю; — вознаграждение на время стажировки: 4 000 ₽ в месяц.

Руководитель проектов Удалённо

Что предстоит делать: — помогать менеджеру в управлении проектами: ставить задачи исполнителям и контролировать их выполнение (сроки, качество), участвовать в статус-митингах с командой и заказчиком, организовывать коммуникации с заказчиком и готовить отчеты; — планировать и приоритизировать задачи, поддерживая проект в рамках дедлайнов; — вести документооборот и поддерживать проектную документацию в актуальном состоянии.

Требования: — осознанное и регулярное использование AI в повседневной работе: умеете управлять контекстом, формулировать задачи так, чтобы получать стабильный результат, и применяете AI для типовых рабочих задач; — знание процессов веб-разработки и понимание жизненного цикла проекта; — ответственность, исполнительность, внимание к деталям; — грамотная устная и письменная речь, умение четко формулировать мысли; — инициативность и желание развиваться в сфере управления проектами.

Плюсом будет: — опыт работы в Jira, Confluence; — знание гибких методологий разработки; — технический бэкграунд или прохождение курсов по управлению проектами; — опыт работы в команде.

Что предлагаем: — длительность: 3 месяца. При успешном прохождении — возможность продолжить сотрудничество; — график: 5/2 с 10:00 до 19:00, с возможностью адаптации рабочего времени под ваши потребности; — удаленка: стажироваться можно из любой точки мира — мы поддерживаем удаленный формат; — интересные проекты: работа над уникальными, крупными и значимыми проектами; — сильная команда: поддержка в создании личного бренда, открытость к решению любых вопросов и активное содействие карьерному росту; — теплая атмосфера: клубы по интересам, летний выезд на природу AGIMA Camp, корпоративные вечеринки с возможностью пригласить семью;

Понравились вакансии? 💚 — да 🌚 — нет

———

🖤 Разместить вакансию 💙 Удалёнка 🫶 Удалёнка джунам 🫶 Стажировки 💚 Разрабам 💖 Дизайнерам 🟠 Маркетологам 🖤 HR 💜 QA 🟡 Менеджерам

мы также есть там, куда всех хотят отправить — https://max.ru/it_vakansii_jobs

Z
Zen of Python
@zen_of_python
2.5K

Rust научился ускорять операции с плавающей точкой, сохраняя контроль за точностью

Если вы держите Rust под рукой для кусков, где Python не хватает скорости, в Rust 1.98 появился повод присмотреться. Новый API разрешает компилятору агрессивнее оптимизировать операции с плавающей точкой, но сохраняет контроль за точностью округления. Это значит, что Rust-код, который вызывается из Python, может считать быстрее без привычного компромисса «скорость против корректности».

Раньше в Rust не было стабильного способа управлять этим компромиссом. Теперь можно явно указать компилятору, где безопасно ускорять вычисления, а где важна минимальная погрешность.

Разобрался Itamar Turner-Trauring: если пишете Rust-расширения для Python или интересуетесь, откуда берётся скорость в числовых библиотеках, загляните.

[
[404] — программирование
@procode404
1.3K

​🐍 Python на рынке — [11:39]

И нет, не на том рынке, на который ходит ваша бабушка. Python — очень популярный язык, поэтому если вы хотите зарабатывать на нём, вам придется изрядно попотеть из-за большой конкуренции.

Из видео вы узнаете про сферы использования Python, наличие вакансий и зарплату, а также поймёте, что нужно изучать, чтобы с ноги влиться в эту сферу.

Перейти к просмотру

#видео #python #профессия

Z
Zen of Python
@zen_of_python
1.5K

uv 0.12.0: uv init теперь создаёт проект со сборочной конфигурацией

Astral выпустила uv 0.12.0 28 июля, первый крупный релиз после 0.11.0 в марте. Изменения касаются дефолтов инициализации, проверки хэшей и разбора архивов пакетов.

Раньше uv init создавал плоскую структуру без сборочной системы, и сборочную конфигурацию со структурой src приходилось добавлять отдельно. Теперь проект сразу пригоден для сборки.

🔘 uv init прописывает [build-system] на uv_build, кладёт код в src/<name> и добавляет точку входа в [project.scripts], прежнее поведение возвращает флаг --no-package; 🔘 отклоняются исходные дистрибутивы в форматах .tar.bz2 и .tar.xz, по PEP 625 допустим .tar.gz, старые .zip пока принимаются ради совместимости; заодно запрещены записи со сжатием bzip2 и LZMA внутри wheel; 🔘 wheel, способный перезаписать сам интерпретатор (файлы вида Python, python.py, Python.exe, записи в .data/scripts), больше не устанавливается; 🔘 режим предрелизов по умолчанию сменился с if-necessary-or-explicit на if-necessary, то есть предрелизная версия ставится только когда без неё зависимости не разрешаются; 🔘 директива --require-hashes внутри requirements.txt действительно включает проверку хэшей, а хэши только по MD5 отвергаются, нужен минимум SHA-256; 🔘 строже валидируется pylock.toml: обязателен массив packages, имя файла допустимо только вида pylock.toml или pylock.dev.toml, проверяется размер артефактов.

Авторы пишут, что большинству обновление не потребует правок. Исключение составляют проекты, где зафиксирована верхняя граница сборочного бэкенда: там нужно поднять до uv_build>=0.11.32,<0.13.

У вас в CI uv закреплён конкретной версией или подтягивается последний?

@zen_of_python

Б
Библиотека программиста
@devs_storage
1.6K

💻 NumPy с нуля: понятный гайд на русском для тех, кто хочет в Data Science

Хотите разобраться в анализе данных, машинном обучении или нейросетях? Тогда без NumPy далеко не уедете.

В этом гайде с нуля познакомитесь с самой популярной библиотекой для работы с массивами и вычислениями в Python. Без лишней теории — только понятные объяснения и практические примеры.

Разберетесь:

💬 зачем вообще нужен NumPy и почему без него не обходится почти ни один ML-проект; 💬 как создавать и изменять массивы; 💬 как выполнять вычисления в десятки раз быстрее обычных списков Python; 💬 как фильтровать, сортировать и обрабатывать данные; 💬 с чего начать путь в Data Science и не потеряться в сложных формулах.

🚀 Отличный материал для тех, кто давно хотел перейти от обычного Python к анализу данных и машинному обучению.

⬇️ Сохраняем в PDF

#article #doc #python

P
Python Job | Вакансии | Стажировки
@job_python
1.9K

🔥Вакансии прошедшей недели

Junior/Junior+: 1.Младший Python разработчик, Отдел разработки аналитических инструментов и управления данными, Компания: OZON(удаленка, офис) 2.Junior/Middle ML-инженер/Python разработчик [SmartDocs], Компания: МТС(удаленка) 3.Junior Python-разработчик (стажировка), Компания: Сбер(офис) 4.Стажёр AI разработчик в дирекцию развития казначейства, Компания: Альфа-Банк(гибрид)

Middle/Middle+: 1.Разработчик Python, Компания: МТС Финтех(офис) 2.Тестировщик Python (CAD\САПР),Компания: Т1(офис)

Senior/Head: 1.Backend Developer (Middle/Senior) - Москва, Компания: ВкусВилл(офис) 2.Python Developer (LLM, Москва), Компания: Bell Integrator(удаленка, офис) 3.Ведущий Python-разработчик, Компания: Лига Цифровой Экономики(удаленка)

🔼Навигация по вакансиям: #intern #junior #senior #middle #100k #200k #300k #400k #500k

M
machinelearning_deeplearning
@machinelearning_deeplearning
1.7K

✅ Embeddings

✅ Embedding Models

✅ Cosine Similarity

✅ Dense Embeddings

✅ Sparse Embeddings

✅ Hybrid Search

📌 Phase 12: Vector Databases

Store and retrieve embeddings efficiently.

✅ FAISS

✅ ChromaDB

✅ Pinecone

✅ Weaviate

✅ Milvus

✅ Qdrant

✅ pgvector

📌 Phase 13: Retrieval-Augmented Generation (RAG)

Build AI systems that use external knowledge.

✅ Document Loading

✅ Chunking

✅ Embeddings

✅ Indexing

✅ Retrieval

✅ Re-ranking

✅ Metadata Filtering

✅ Hybrid Search

✅ Advanced RAG

✅ Graph RAG

✅ Corrective RAG

✅ Agentic RAG

📌 Phase 14: AI Agents

Build autonomous AI applications.

✅ AI Agent Fundamentals

✅ Tool Calling

✅ Memory

✅ Planning

✅ Reflection

✅ Multi-step Reasoning

✅ Agent Workflows

✅ Multi-Agent Systems

✅ MCP (Model Context Protocol)

✅ A2A Protocol

✅ Human-in-the-loop

📌 Phase 15: AI Frameworks

Learn the most popular AI development frameworks.

✅ LangChain

✅ LangGraph

✅ LlamaIndex

✅ CrewAI

✅ Agno

✅ DSPy

✅ OpenAI Agents SDK

✅ AutoGen

📌 Phase 16: Backend Development

Create APIs and AI applications.

✅ FastAPI

✅ REST APIs

✅ Authentication

✅ Async Python

✅ WebSockets

📌 Phase 17: Deployment

Deploy AI applications to production.

✅ Docker

✅ Docker Compose

✅ Kubernetes Basics

✅ Nginx

✅ CI/CD

✅ GitHub Actions

✅ Render

✅ Railway

✅ AWS

✅ Azure

✅ Google Cloud

📌 Phase 18: LLMOps & MLOps

Monitor and manage AI systems.

✅ MLflow

✅ LangSmith

✅ Weights & Biases

✅ Prompt Versioning

✅ Logging

✅ Tracing

✅ Monitoring

✅ Evaluation Pipelines

✅ A/B Testing

📌 Phase 19: AI Security

Build secure and reliable AI applications.

✅ Prompt Injection

✅ Jailbreak Attacks

✅ Guardrails

✅ PII Detection

✅ Output Validation

✅ Hallucination Reduction

✅ Content Moderation

✅ Secret Management

📌 Phase 20: AI Performance Optimization

Improve speed, cost, and efficiency.

✅ Prompt Optimization

✅ Semantic Caching

✅ Batch Processing

✅ Streaming Responses

✅ Token Optimization

✅ Quantization

✅ Model Routing

✅ Latency Optimization

📌 Phase 21: Build Real-World Projects

Apply your knowledge through practical projects.

✅ AI Chatbot

✅ PDF Chat Application

✅ Resume Analyzer

✅ AI Interview Assistant

✅ AI SQL Assistant

✅ AI Code Reviewer

✅ AI Research Assistant

✅ AI Email Assistant

✅ AI Data Analyst

✅ AI Content Generator

✅ Voice Assistant

✅ Multi-Agent Research System

📌 Phase 22: AI System Design

Learn to design scalable AI systems.

✅ AI Architecture

✅ Scalable AI Applications

✅ Distributed Systems

✅ Load Balancing

✅ Queue Systems

✅ Event-Driven Architecture

✅ Cost Optimization

📌 Phase 23: Portfolio

Build a strong portfolio to showcase your skills.

✅ GitHub Projects

✅ Deploy Live Applications

✅ Technical Blogs

✅ LinkedIn Posts

✅ Open Source Contributions

✅ Case Studies

✅ Personal Portfolio Website

📌 Phase 24: Interview Preparation

Prepare for AI Engineer interviews.

✅ Python Interview Questions

✅ SQL Interview Questions

✅ Machine Learning Interview Questions

✅ Deep Learning Interview Questions

✅ LLM Interview Questions

✅ RAG Interview Questions

✅ AI Agent Interview Questions

✅ System Design Interviews

✅ Coding Problems

✅ Behavioral Interview Questions

❤️ Double tap if you want a detailed explanation of each topic!

M
machinelearning_deeplearning
@machinelearning_deeplearning
1.3K

🚀 Complete Roadmap to Become an AI Engineer

📌 Phase 1: Programming Fundamentals

Learn the foundation of programming with Python.

✅ What is Programming?

✅ What is Python?

✅ Installing Python & VS Code

✅ Variables

✅ Data Types

✅ Input & Output

✅ Type Casting

✅ Operators

✅ Conditional Statements (if, else, elif)

✅ Loops (for, while)

✅ Functions

✅ Lambda Functions

✅ Recursion

✅ Strings

✅ Lists

✅ Tuples

✅ Sets

✅ Dictionaries

✅ List & Dictionary Comprehensions

✅ Object-Oriented Programming (OOP)

✅ File Handling

✅ Exception Handling

✅ Modules & Packages

✅ Virtual Environments

✅ pip Package Manager

✅ Git & GitHub

📌 Phase 2: Python for Data

Learn how Python is used for data analysis and preprocessing.

✅ NumPy

✅ Pandas

✅ Data Cleaning

✅ Data Transformation

✅ Data Aggregation

✅ Exploratory Data Analysis (EDA)

✅ Matplotlib

✅ Seaborn

✅ Feature Engineering

📌 Phase 3: SQL

Master SQL to work with structured data.

✅ Database Fundamentals

✅ SELECT

✅ WHERE

✅ ORDER BY

✅ LIMIT

✅ Aggregate Functions

✅ GROUP BY

✅ HAVING

✅ CASE WHEN

✅ Joins

✅ Subqueries

✅ Common Table Expressions (CTEs)

✅ Window Functions

✅ Views

✅ Stored Procedures

✅ Indexes

📌 Phase 4: Mathematics

Build the mathematical foundation required for AI.

✅ Statistics

✅ Probability

✅ Linear Algebra

✅ Vectors

✅ Matrices

✅ Calculus Basics

✅ Gradient Descent

📌 Phase 5: Machine Learning

Understand how machines learn from data.

✅ Introduction to Machine Learning

✅ Types of Machine Learning

✅ Regression

✅ Classification

✅ Clustering

✅ Decision Trees

✅ Random Forest

✅ KNN

✅ Support Vector Machines (SVM)

✅ Naive Bayes

✅ XGBoost

✅ Model Evaluation

✅ Cross Validation

✅ Hyperparameter Tuning

✅ Scikit-learn

📌 Phase 6: Deep Learning

Learn neural networks and modern AI models.

✅ Neural Networks

✅ Perceptrons

✅ Activation Functions

✅ Backpropagation

✅ TensorFlow

✅ PyTorch

✅ CNN

✅ RNN

✅ LSTM

✅ Transformers

✅ Attention Mechanism

📌 Phase 7: Natural Language Processing (NLP)

Teach computers to understand human language.

✅ Text Preprocessing

✅ Tokenization

✅ Stemming

✅ Lemmatization

✅ TF-IDF

✅ Word Embeddings

✅ Word2Vec

✅ Sentence Transformers

✅ BERT

✅ Text Classification

✅ Named Entity Recognition (NER)

📌 Phase 8: Large Language Models (LLMs)

Learn how modern AI models work.

✅ What are LLMs?

✅ Tokens

✅ Context Window

✅ GPT

✅ Claude

✅ ChatGPT

✅ Llama

✅ Mistral

✅ Qwen

✅ Open-source vs Closed-source Models

✅ Temperature

✅ Top-P

✅ Top-K

📌 Phase 9: Prompt Engineering

Learn how to communicate effectively with AI.

✅ Zero-shot Prompting

✅ One-shot Prompting

✅ Few-shot Prompting

✅ Chain of Thought

✅ Role Prompting

✅ Structured Prompting

✅ JSON Output

✅ Prompt Templates

✅ Prompt Chaining

📌 Phase 10: LLM APIs

Integrate AI models into applications.

✅ OpenAI API

✅ Anthropic API

✅ ChatGPT API

✅ Hugging Face API

✅ Groq API

✅ Together AI

✅ Ollama

✅ LM Studio

✅ Function Calling

✅ Structured Outputs

📌 Phase 11: Embeddings

Learn how AI converts text into vectors.

P
Python и 1000 уязвимостей
@osint_pythons
311

🆕 В Python появятся стековые корутины в стиле Go за счет библиотеки Runloom

Сообщество независимых разработчиков представило открытую библиотеку Runloom.

Проект внедряет стековые корутины в стиле языка Go в режим free-threaded Python 3.13t+ с отключенной глобальной блокировкой интерпретатора (GIL).

— Над инструментом работают пользователи GitHub, Reddit и Lobsters, однако к проекту уже проявили интерес инженеры из крупных технологических компаний, включая Cloudflare, Vercel и Hugging Face.

🖥 Читать подробнее

O
oge_s_mane
@oge_s_mane
85

Закончилась еще одна неделя Летнего курса! А вы заметили, что мы с вами уже месяц готовимся к экзамену? Давайте посмотрим, что мы успели за эти семь дней. 🩷

🤩🤩🤩🤩🤩🤩🤩🤩

🤩 Циклы | Цикл со счётчиком (for) в Python; 🤩 ВСЁ про цикл со счётчиком (for) в Python.

🤩🤩🤩🤩🤩🤩🤩

🤩 Обсудили правила вывода данных в Python, операторов if-else, нахождение минимума и максимума; 🤩 Провели викторину и #минус_ошибку по циклу while; 🤩 Узнали, как лучше организовать свое время с помощью Матрицы Эйзенхауэра; 🤩 Сыграли в угадайку на скорость!

А сейчас пора спать, если у вас не получается уснуть, смотрите на картинку, там вас загипнотизируют Сладких снов! 💗

P
Python Job | Вакансии | Стажировки
@job_python
2K

Инженер данных #гибрид Москва Компания: Альфа-Банк

🔹Чем предстоит заниматься -Реализация высоконагруженных конвейеров обработки данных для обеспечения надежной и бесперебойной репликации данных из ИТ-систем Банка. -Реализация комплексных задач по подготовке данных в целевых аналитических хранилищах (DataLake, SandBox, FeatureStore) для построения признаков, необходимых для разработки моделей машинного обучения. -Разработка и поддержание в актуальном состоянии документации по разработанному функционалу. -Своевременное отражение статуса выполнения задач в Jira. -Проверка качества кода (код-ревью), написанного инженерами и младшими инженерами данных.

🔹Наши пожелания к кандидатам -Python - уверенное знание структур данных и алгоритмов, эффективное применение принципов ООП и ФП (Функциональное программирование), опыт написания модульных и интеграционных тестов, знание и опыт применения библиотек обработки и анализа данных - numpy, pandas. -Опыт разработки и внедрения в промышленную эксплуатацию сервисов загрузки и обработки неструктурированных и слабо структурированных данных (текст, xml, json) из внешних источников. -Способность разобраться с API поставщиков данных, используя доступную документацию. -SQL - умение создавать сложные запросы с использованием аналитических оконных функций и использовать инструменты профилирования для оптимизации их производительности, опыт работы с БД Oracle, Postgres, Greenplum. -Уверенное знание и опыт работы с инструментами разработки, планирования и мониторинга рабочих процессов (workflow engines) пакетной обработки данных. -Airflow- Опыт разработки сложных, высоконагруженных приложений обработки данных на основе PySpark, уверенное знание настроек Spark и их влияния на производительность приложений Spark.

Откликнуться

Python Job в Telegram | в VK | в Max

А
Авоська — junior IT вакансии/cтажировки
@jobs_juniors_remote
2K

⚡ Почему аналитики данных так востребованы и как стать аналитиком в 2026 году?

Большинство новичков совершают одну и ту же ошибку: учат всё подряд. SQL, Python, Power BI, статистика… Но работодатели оценивают кандидатов не только по базовым навыкам, но и по другим критериям. Из-за этого многие месяцами рассылают резюме и получают только отказы или полное игнорирование.

Андрон Алексанян - аналитик с опытом 9 лет и СEO Симулейтив проведет бесплатный урок и покажет, как выглядит путь к первой работе аналитиком в 2026 году.

Вы узнаете: 🔶Какие навыки действительно проверяют на собеседованиях; 🔶Что должно быть в портфолио, чтобы его открывали работодатели; 🔶Почему многие резюме аналитиков сразу отправляются в отказ; 🔶Как искать работу без коммерческого опыта; 🔶Какие преимущества есть у кандидатов после 30, 40 и даже 50 лет; 🔶Какие ошибки чаще всего мешают получить первый оффер.

Дополнительно на эфире разберем реальные примеры резюме и портфолио кандидатов, которые смогли пройти отбор.

🎁 ПОЛУЧИТЕ 3 КУРСА (PYTHON, SQL, PANDAS) В ПОДАРОК ЗА РЕГИСТРАЦИЮ НА ЭФИР!

Эти курсы - база для того чтобы вкатиться в профессию!

Если вы хотите войти в аналитику и перестать тратить время на лишнее обучение — этот урок поможет понять, на чем действительно стоит сосредоточиться.

🛎️Регистрируйтесь, эфир совсем скоро!

P
Python вопросы с собеседований
@python_job_interview
1.2K

Python-сервис не должен падать вслед за чужим API

Interlock - современная реализация circuit breaker для Python. Она временно блокирует обращения к нестабильному сервису, а затем аккуратно проверяет, восстановился ли он. Синхронный и асинхронный код поддерживаются одним классом.

Вместо примитивного подсчёта ошибок подряд библиотека умеет оценивать долю сбоев в скользящем окне - по числу запросов или времени. Медленные вызовы тоже можно считать ошибочными.

Для сложных сценариев есть resilience

pipeline = ( Pipeline.builder() .fallback(lambda exc: []) .retry(attempts=4) .circuit_breaker(breaker) .bulkhead(8) .timeout(2.0) .build() )

Порядок стратегий задаётся явно: timeout, bulkhead, circuit breaker, повторные попытки и запасной ответ.

Также доступны интеграции с FastAPI, Litestar, HTTPX, aiohttp, Requests, Redis и OpenTelemetry. Состояние breaker можно синхронизировать между несколькими процессами, а при недоступности Redis библиотека временно возвращается к локальному состоянию.

Ядро не требует внешних зависимостей, декораторы сохраняют типы и сигнатуры функций, лицензия — MIT.

Проект молодой, поэтому проверенные годами pybreaker и circuitbreaker по-прежнему могут быть безопаснее для консервативного продакшена. Но для rate-based окон, контроля медленных запросов и составных политик отказоустойчивости Interlock выглядит интересно.

https://github.com/bagowix/interlock

W
webguild - українська IT-спільнота 🇺🇦
@webguild
1.5K

✅ Python з нуля — базовий курс на 3 місяці

Знайшли репозиторій із покроковим курсом для тих, хто хоче вивчити Python з нуля.

Усередині — основні концепції, бібліотеки та фреймворки, десятки практичних завдань і короткі шпаргалки до кожного уроку.

Матеріал розрахований на новачків, а також охоплює суміжні теми, які допоможуть краще розібратися в програмуванні.

🔗 Посилання

webguild 🇺🇦 › #general

O
Open IT | Программирование
@openit_tg
1.5K

"Поколение Python": курс для профессионалов - 2025

Размер: 0.04 ГБ Цена: 1 000 руб.

Чему вы научитесь: - Работать с датами и временем. - Дополнительным типам коллекций. - Итераторам, генераторам. - Декораторам, рекурсиям. - Исключения, регулярные выражения и многое другое.

СКАЧАТЬ БЕСПЛАТНО

#python | 🪢 Open IT & Max

F
FreeWorkFeed - Фриланс, удаленная работа
@freeworkfeed
1.4K

Data Scientist в команду Посуточно

Cian. ru — это большой и сложный продукт, в котором представлено несколько типов недвижимости и типов сделки, а также есть множество сервисов, информационных материалов и собственное медиа. Ежемесячная аудитория около 20 млн. человек. Растить число пользователей и решать их проблемы помогают уже больше 1300 человек.

В Циан большая команда ML - DS, DE, своя MLOps-платформа.

Команда разделена на продуктовые стримы. Мы формируем самодостаточные команды (разработчики, аналитики, ML-инженеры) для решения задач бизнес-направления. С процессами интеграции моделей в продакшн нам помогает команда MLOps-платформы.

Мы ищем Data Scientist в команду Посуточно.

Команда создаёт удобный и технологичный сервис для посуточной аренды жилья — прозрачный, быстрый и надежный как для гостей, так и для владельцев объектов. На данный момент количество объектов у нас измеряется сотнями тысяч, количество бронирований в день тысячами и мы постоянно растем.

Наш стек: Python (Numpy, SciPy, Pandas, sklearn, PyTorch, LightFM, RecFormer). Экосистема Hadoop (PySpark, Hive, Kafka) Airflow

Задачи: Развитие алгоритмов ранжирования и рекомендаций для контента вертикали Посутка Построение и развитие моделей улучшения качества контента Исследование возможностей внедрения ML и AI в команде Вместе с продуктовым руководителем вертикали формировать планы и отвечать за результат работы ML моделей

Требования к кандидату: Опыт работы от 3х лет Опыт доведения ML-моделей до продакшена и оценки влияния на бизнес от внедрения. Опыт построения ML-моделей для персонального ранжирования, рекомендаций и предсказания CTR. Опыт использования технологий для работы с большими данными и распределенными системами (Hadoop, Spark, S3). Знание ML-алгоритмов и применение их на практике. Владение Python и основными ML-фреймворками. Понимание различных моделей монетизации и механизмов управления ликвидности. Прикладной опыт и подтвержденные успехи в решении задач ранжирования и построения рекомендаций

Что мы предлагаем: Удаленную работу с возможностью приходить в офис в Москве, Санкт-Петербурге и Новосибирске. В офисе – кухни, оборудованные всем необходимым, а также снеки, фрукты, кофе и чай, бесплатная авто и вело парковки; Технический рост. У нас есть успешные примеры роста с точки зрения ML, а также инженерии (разработка, архитектура приложений и сервисов) : есть возможность консультироваться с командой и брать инициативу по реализации крупных и сложных проектов. Рост и развитие: в первые месяцы у каждого сотрудника есть ментор, после появляется личный план развития и возможность прокачивать soft/ hard skills на практике, обучении, конференциях; ДМС с первого рабочего дня (со стоматологией, госпитализацией, страховкой выезжающего за пределы нашей страны); 5 day off в год, помимо основного отпуска; Кафетерий льгот;

Ждём тебя в команде!

Откликнуться

P
Python Developer
@python_tg
2K

📱 Отличный курс по продвинутому Python

Он помогает не просто выучить синтаксис, а понять, как устроен язык изнутри.

Внутри генераторы, итераторы, корутины, дизайн кода и другие темы, до которых редко доходят в обычных курсах.

⛓ Ссылка на курс

tags: #обучение

➡ Python Developer | 📲 MAX

Z
Zen of Python
@zen_of_python
1.6K

Сервис убивало по нехватке памяти каждые несколько часов, но утечки в нём не было

RSS рос ступенями: 620 МБ, 890 МБ, 1,4 ГБ, 2,3 ГБ, 3,1 ГБ. Трафик, загрузка процессора и p99 при этом стояли ровно. Число объектов Python не увеличивалось, ни разбухшего словаря, ни списка, ни кэша найти не удалось. gc.collect() честно собирал циклический мусор, а RSS после него почти не опускался. Сакшам Шарма разобрал этот случай 8 июля.

Дело в разделении обязанностей. Сборщик мусора решает, какие объекты ещё достижимы, а аллокатор решает, вернутся ли освободившиеся страницы операционной системе. Освобождённый объект просто уходит обратно в кучу процесса, и пока в той же странице памяти лежит хоть один живой объект, отдать её ядру нельзя. У glibc malloc к этому добавляются кэш освобождённых блоков tcache и отдельные арены на каждый поток, так что многопоточный сервис держит несколько независимых запасов. В одном из примеров автора живые объекты занимали около 700 МБ при RSS около 2,8 ГБ.

🔘 признак, отличающий это от настоящей утечки: tracemalloc показывает стабильный объём, а RSS продолжает расти; 🔘 лечение обошлось без единой правки в коде Python, jemalloc подключается через LD_PRELOAD; 🔘 в продакшене к нему добавили PYTHONMALLOC=malloc и MALLOC_CONF=narenas:2,background_thread:true; 🔘 автор сообщает примерно о вдвое меньшем потреблении оперативной памяти после перехода; 🔘 проверить гипотезу можно и без замены аллокатора, через MALLOC_ARENA_MAX=2 и вызов malloc_trim(0).

Оговорка автора: malloc не универсально лучше встроенного pymalloc, на миллионах мелких объектов выигрыш может оказаться обратным, поэтому замену нужно мерить на своей нагрузке.

Приходилось ловить рост RSS при стабильном числе объектов, и чем в итоге объяснялось?

@zen_of_python