👩‍💻 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

👩‍💻 Полный курс по FastAPI в Python!

🔗 Ссылка: *клик*

#курс #python

freecourses

🎲 Теория вероятностей играет ключевую роль в машинном обучении, статистике и анализе данных.

В этой статье мы разберем 12 задач, которые помогут лучше понять применение теории вероятностей на практике с использованием Python.

✔️ Читать статью

👩‍💻 Что выведет этот код и почему?

@python_job_interview

⭐️ Спустя миллионы лет эволюции мы получили ванную комнату от Github.

@python_job_interview

🖥 Эта статья посвящена объяснению концепции полиморфизма в Python!

💡 Полиморфизм позволяет объектам разных классов обрабатывать идентичные методы по-своему, что повышает гибкость и расширяемость кода. В статье приводится пример с классами Dog и Cat, которые наследуют от общего класса Animal и переопределяют метод make_sound(). Это позволяет вызывать один и тот же метод для разных объектов, получая соответствующие результаты.

🔗 Ссылка: *клик*

@python_job_interview

🖥 Эта статья посвящена объяснению концепции полиморфизма в Python!

💡 Полиморфизм позволяет объектам разных классов обрабатывать идентичные методы по-своему, что повышает гибкость и расширяемость кода. В статье приводится пример с классами Dog и Cat, которые наследуют от общего класса Animal и переопределяют метод make_sound(). Это позволяет вызывать один и тот же метод для разных объектов, получая соответствующие результаты.

🔗 Ссылка: *клик*

@python_job_interview

👩‍💻 Эта статья рассказывает, как можно сохранить весь ваш Python-проект в одном файле!

🌟 С помощью shiv вы можете получить исполняемый zip-архив всего вашего кода Python и его зависимостей (называемый zipapp), который будет работать на любом сервере с Python, использующем ту же ОС.

🔗 Читать: *клик*

@python_job_interview

🔥 Interview Coder — это бесплатное приложение, разработанное для помощи в подготовке к техническим собеседованиям!

🌟 Оно предоставляет невидимый интерфейс, который позволяет пользователям получать подсказки и решения прямо во время интервью, оставаясь незаметным для большинства инструментов записи экрана и скриншотов.

🖥 Github

@python_job_interview