❓ Что выведет этот код?

@python_job_interview

👩‍💻 Что выведет этот код и почему?

@python_job_interview

🔥 Огромный репозиторий, который фильтрует и собирает лучшие инструменты для веб-разработки на Python!

🔐 Лицензия: CC-BY-SA-4.0

🖥 Github

@python_job_interview

👩‍💻 Что выведет этот код?

❗️ Ответ: C (Error). Так происходит, потому что оператор + не работает для сложения множеств.

@python_job_interview

👩‍💻 cachetools — это библиотека Python, предоставляющая функции для кэширования данных в памяти с использованием различных стратегий!

🌟 Она включает реализации популярных алгоритмов кэширования, таких как LRU (Least Recently Used), TTL (Time to Live) и LFU (Least Frequently Used).

🌟 Эта библиотека позволяет оптимизировать производительность приложений, кешируя результаты вычислений или запросов, что особенно полезно для ускорения повторяющихся операций, например, в веб-разработке или обработке данных. Cachetools проста в использовании и подходит для случаев, когда необходимо эффективно управлять кэшированием данных в приложениях с ограниченной памятью.

🔐 Лицензия: MIT

🖥 Github

@python_job_interview

❓ Что выведет этот код?

A) 1
B) -1
C) 2
D) 0

❗️ Ответ: B (-1). Объяснение:

🔍 ~ — побитовый оператор НЕ, он инвертирует все биты числа и вычисляет -(n+1) для числа. Поэтому 4 становится -( 4+1)= -5.

@python_job_interview

👩‍💻 Что выведет этот код и почему?

@python_job_interview

👩‍💻 JustPy — библиотека на Python для создания интерактивных веб-приложений с использованием веб-фреймворка!

🌟 Он позволяет разработчикам строить веб-приложения с минимальным количеством кода, без необходимости написания сложного JavaScript или использования традиционных фреймворков на стороне клиента. JustPy предоставляет простой API для создания веб-страниц и взаимодействия с пользователем.

🔐 Лицензия: Apache-2.0

🖥 Github

@python_job_interview

👩‍💻 Что выведет этот код и почему?

@python_job_interview

💡 Distilabel

Мощный фреймворк Python для создания синтетических данных для AI и не только для этого

Помимо создания синтетических данных, Distilabel помогает организовать сложные конвейеры обработки данных;
эти конвейеры могут содержать любое количество разных шагов.

Позволяет легко синтезировать и оценивать данные с помощью встроенных инструментов. Отлчиный инструмент для улучшении данных и обучении моделей.

Процесс прост:
- Вводим запрос.
- Два LLM генерируют ответы
- LLM-судья оценивает полученные ответы
- Лучший ответ сопоставляется с изначальным вопросов.

И что самое интересное? Все это с открытым исходным кодом. Лицензия позволяет использовать результаты модели для улучшения других моделей.

▪ GitHub
▪ Доки

@ai_machinelearning_big_data


#Distilabel #python #ai #openai #python #ai #syntheticdata #ml

👩‍💻 docopt-ng — это форк оригинальной библиотеки docopt, используемой для создания удобных и понятных интерфейсов командной строки!

🌟 Библиотека автоматически генерирует парсер аргументов на основе документации (docstring), написанной в модуле Python. docopt-ng улучшает оригинал, добавляя поддержку аннотаций типов, полное покрытие тестами и активное обслуживание.

🌟 С помощью docopt-ng разработчики могут определять команды, опции и аргументы прямо в документации, что упрощает написание и поддержку кода. Библиотека парсит шаблон вызова из раздела "Usage" в docstring и обеспечивает проверку аргументов, возвращая результаты в удобном формате. Подходит для Python 3.7 и выше.

🔐 Лицензия: MIT

🖥 Github

@python_job_interview

🖥 You-Get — это командный инструмент на Python для загрузки мультимедиа (видео, аудио, изображения) с популярных сайтов, таких как YouTube, Vimeo и других!

🌟 Он поддерживает работу в Windows, macOS и Linux, предлагая простые команды для скачивания контента и управления параметрами загрузки.

🔐 Лицензия: MIT

🖥 Github

@python_job_interview

🖥 python-benedict — это расширение стандартного словаря Python, предоставляющее дополнительные возможности для удобной работы с данными!

💡 Ключевые особенности включают поддержку доступа к значениям по списку ключей (keylist), доступ к вложенным данным с использованием разделителей (keypath), а также доступ к элементам словаря через атрибуты (keyattr). Кроме того, библиотека предлагает встроенные методы для чтения и записи данных в различных форматах, таких как JSON, YAML, XML, CSV, INI, TOML, HTML, Base64, а также работу с файлами Excel и строками запросов.

🔐 Лицензия: MIT

🖥 Github

@python_job_interview

❓ Что выведет этот код и почему?

@python_job_interview

⭐️ Первый Open Source аналог Deep Research от OpenAI.

Реализация ИИ-ресерчера, который непрерывно ищет информацию по запросу пользователя, пока система не убедится, что собрала все необходимые данные.

Для этого он использует несколько сервисов:

- SERPAPI: Для выполнения поиска в Google.
- Jina: Для получения и извлечения содержимого веб-страниц.
- OpenRouter (модель по умолчанию: anthropic/claude-3.5-haiku): Взаимодействует с LLM для генерации поисковых запросов, оценки релевантности страниц и понимания контекста.

🟢 Функции
- Итеративный цикл исследования: Система итеративно уточняет свои поисковые запросы.
- Асинхронная обработка: Поиск, парсинг веб-страниц и оценка контекста - выполняются параллельно для повышения скорости.
- Фильтрация дубликатов: Агрегирует и дедуплицирует ссылки в каждом цикле, проверяя, что одна и та же информация не будет обработана дважды.

▪ Github
▪Google Colab

@ai_machinelearning_big_data


#opensource #llm #ai #ml #DeepResearcher

⭐️ LLM-Reasoner

Инструмент, который поможет добавить рассждуения в ваши LLM проекты , подобно OpenAI o1 и deepseek R1.

✨ Функции:
🧠 Пошаговые рассуждения: Больше никаких ответов из «черного ящика»! Узнайте, как именно мыслит ваш LLM, по аналогии с O1.
🔄 Прогресс в реальном времени: позволяет наблюдать за ходом рассуждений с помощью плавных анимаций
🎯 Поддержка множества LLM провайдеров: Работает со всеми провайдерами LiteLLM
🎮 Streamlit: Удобный пользовательский интерфейс
🛠️ Поддердка CLI: для тех, кто любит возиться с командной строкой.
📊 Проверка уверенности ответа: Узнайте, насколько уверен ваш LLM в каждом шаге рассуждений.

⭐️ Установка:
pip install llm-reasoner

Пример с кодом:

from llm_reasoner import ReasonChain
import asyncio

async def main():
    # Create a chain with your preferred settings
    chain = ReasonChain(
        model="gpt-4",                # Choose your model
        min_steps=3,                  # Minimum reasoning steps
        temperature=0.2,              # Control creativity
        timeout=30.0                  # Set your timeout
    )

    # Watch it think step by step!
    async for step in chain.generate_with_metadata("Why is the sky blue?"):
        print(f"\nStep {step.number}: {step.title}")
        print(f"Thinking Time: {step.thinking_time:.2f}s")
        print(f"Confidence: {step.confidence:.2f}")
        print(step.content)

asyncio.run(main())

@ai_machinelearning_big_data


#llm #ml #ai #opensource #reasoning

🖥 Fastcore — это библиотека Python, расширяющая возможности языка для работы с библиотекой fastai!

💡 Она включает функции для тестирования, многократной диспетчеризации, композиции объектов и функционального программирования. Fastcore добавляет возможности из других языков, таких как множественная диспетчеризация из Julia и mixins из Ruby, а также улучшает стандартные возможности Python, такие как параллельная обработка.

🔐 Лицензия: Apache-2.0

🖥 Github

@python_job_interview