Если вы пишете на Python хотя бы пару месяцев, вы наверняка сталкивались с конструкцией with open(...) as f:. Это как ритуал, который мы совершаем, чтобы открыть файл: удобно, понятно, и все говорят, что так надо. Мы интуитивно чувствуем, что это "правильный" способ, потому что он избавляет нас от головной боли с ручным закрытием файла через f.close().
Все ML-инженеры знают о линейной регрессии. Это та самая база, с которой начинает изучение алгоритмов любой новичок. Но вот парадокс: даже многие «прожженные» инженеры не всегда до конца понимают ее истинную работу под капотом.
А именно — какая у «линейки» статистическая связь с Методом Максимального Правдоподобия (MLE) и почему она так сильно «любит» MSE и нормальное распределение. В этой статье мы как раз в этом и разберемся.
1 - Эпоха динозавров колоссальная по длительности, с конца триасового периода до конца мелового, между 210 000 000 и 66 000 000 лет назад - 144 000 000 лет. Для сравнения - весь процесс развития жизни после динозавров, это как раз 66 000 000 лет. Например те же слоны и киты 66 000 000 лет назад, бегали в виде млекопитающих размером не более 25 кг.
2 - При динозаврах океан был намного лучше прогрет, в силу меньшей глубины. А поскольку континенты были собраны в один, то площадь океана не перекрытого горами была больше, чем сегодня. Вспомним как Тихий и Атлантика сегодня перерезаны горами Северной и Южной Америки. В итоге воздушные массы носились по Земле свободнее и больше влаги не выливалось в горах, а попадало на континент.
Пять лет назад на Хабре мы писали о Web Camera Pro — и казалось, что впереди только апдейты, оптимизации и новые функции. За это время изменилось многое — и не только в технологиях, но и в законодательстве.
Как мы наступили на те же грабли
Когда в 2015 году мы начинали разработку системы для видеонаблюдения, Qt 5 казался идеальным решением. На первый взгляд всё выглядело просто: берём готовые библиотеки, оборачиваем в красивый интерфейс, добавляем AI-аналитику — и готово.
На Qt было создано множество известных программ для видеонаблюдения, и мы — как и десятки команд по всему миру, поверили в его универсальность.
“Один фреймворк, любая платформа” — звучало как музыка.
Первые месяцы казались триумфом: интерфейс ожил, камеры подключались, поток шёл, воспроизведение работало.
Qt позволял быстро собрать прототип, но, когда речь заходила о стабильности, о 24/7-нагрузке, о реальной работе с потоками и камерами, его недостатки становились критичны.
Наверняка, вам когда-либо приходило в голову, что, неплохо бы, заняться каким-то делом, которое не отнимало бы сильно много времени, было достаточно миниатюрным, чтобы заниматься этим в масштабах квартиры, и, кроме того, было близко по духу инженерам?
И тут есть одна очень интересная возможность, как совместить всё вышеперечисленное, чтобы создать интересное инженерное дело, которое будет привлекательным для многих людей - изготовление пищевых (съедобных) 3D моделей!
Всё началось с писка UPS, сообщающего, что батарея — всё. Как человек продвинутый, я решил, что нужно переходить на LiFePO₄ — это же модно, современно:‑) Не долго думая (признаю, есть грех — сначала купить, а потом разобраться в вопросе), заказал пару аккумуляторов на Али. Брал, само собой, от нормального вендора — для себя ничего же не жалко.
«Собака BUGскервилей» и «Однажды в Bravera Capital» — вы, наверное, подумали, что это названия свежих детективных романов? На самом деле это заголовки заданий киберучений главного онлайн-кэмпа по практической кибербезопасности CyberCamp 2025.
Задания CyberCamp 2025 стали еще ближе к реальным вызовам. Некоторые из них позволили участникам почувствовать себя в роли современных ИБ-специалистов и прокачать свои профессиональные навыки — от поиска секретов в истории Git до расследования APT-атак. Разбираем самые запутанные и интересные задания — те, что помогли не просто «набрать баллы», а получить практический опыт.
Привет, Хабр! Меня зовут Сергей Сорокин, я .NET-разработчик с 12-летним стажем. Занимаюсь бэкендом, архитектурой и высокими нагрузками.
Знаю, о чем вы подумали, прочитав заголовок: "О боже, еще одна ORM? В 2025 году? Зачем, если есть Dapper и EF Core?".
Я тоже так думал. Но когда ты работаешь в Enterprise-системах, где производительность критична, а база данных — это не просто хранилище, а мощный инструмент обработки данных, стандартные решения начинают показывать свои слабые места.
Сегодня я хочу рассказать о Visor — ORM, которую мы создали, чтобы превратить работу с базой данных в вызов типизированного API, убрать оверхед рефлексии и решить извечную боль с передачей списков (TVP) в SQL Server. А заодно показать, как Source Generators позволяют писать код, который работает быстрее, чем то, что вы пишете руками.
Привет! Я Олег Бугримов, руковожу командой разработки ML-платформы в Авито. В статье расскажу, почему мы решили делать ML-платформу и какие инструменты у нас уже есть. Материал будет полезен ML-инженерам и техлидам, которые хотят сократить время на рутину, обеспечить команду единым набором инструментов, а также повысить качество и скорость разработки ML‑решений.
Я не разработчик, не знаю ни одного языка программирования и ни разу не писал настоящий код руками. В школе и универе изучал какие-то основы, но все уже безнадежно выветрилось. При этом за последний год я создал несколько пет-проектов, которые приносят мне деньги, и которыми пользуются тысячи людей.
При первых попытках вайбкодинга ИИ писал мне неработающий код, ломал уже работающие сервисы, безнадежно врал, удалял важные файлы и всячески саботировал работу. Не потому что он тупой, а потому что я не умел с ним работать.
Это статья для НЕразработчиков, которые хотят в паре с ИИ сделать себе полезный скрипт или пет-проект. Я постарался написать ее максимально просто, чтобы даже далекие от разработки люди понимали, что делать и куда копать.
Helm 4 принёс пользователям единственное значимое изменение — внедрение Server-Side Apply вместо 3-Way Merge. Это решает проблемы с некорректными обновлениями ресурсов, но многих возможностей Helm по-прежнему не достаёт.
Nelm — наша современная альтернатива Helm 4 — ушёл вперёд по фичам, исправлениям и улучшениям. В статье смотрим на новые возможности обоих проектов, детально разбираем их отличия и объясняем, что ждёт Nelm дальше.
Написать API на FastAPI легко. Написать поддерживаемое API — сложнее. Часто новички (и не только) игнорируют структуру проекта, сваливая всё в кучу или создавая циклические зависимости.
В этой статье разбираем эталонную структуру REST API сервиса на стеке 2025 года:
• Уходим от main.py к модульной системе через APIRouter.
• Разбираем, почему нельзя путать Pydantic Schemas и SQLAlchemy Models (и как их подружить через from_attributes).
• Настраиваем честную асинхронность с aiosqlite и Dependency Injection.
• 5 практических задач для закрепления материала.
Привет! Это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий.
Неделя выдалась плотной на релизы: Claude Opus 4.5 новый лидер в кодинге, открытые GigaChat 3, Kandinsky 5.0 и другие релизы от Сбера, FLUX.2 против Nano Banana Pro, параллельно обновились Cursor и Perplexity, а в США запускают мега-проект для ускорения науки.
Всё самое важное — в одном месте. Поехали!
Привет, Хабр! Когда делал ремонт у меня возникла идея сделать систему управления потоками аудио-видео между источниками и устройствами воспроизведения, чтобы, когда жена выгоняет из комнаты, нажать одну кнопку на телефоне и продолжить смотреть суточный марафон 24 часа Ле Мана в другой комнате.
И чтобы всё работало с мобильного устройства.
Советская история ПК конца XX века — это несколько параллельных вселенных и почти что сны при температуре 39 градусов для зумеров. МИРы показали, что с машиной можно работать интерактивно. Радио-86РК и Орион научили паять, отлаживать и кодить с нуля. Клоны Спектрума открыли доступ к играм, утилитам и демосцене, а 16-битные БК и УК-НЦ давали школьникам пощупать Паскаль и Фортран.
Компьютеры были редкостью, и именно это делало их особенно интересными. В этом посте окунёмся в ностальгию и вспомним часть моделей: как они были устроены, чем отличались и зачем были нужны.
Детекция мусора в гречке с помощью нейросети YOLO8n + попытки в real-time детекцию (Docker + FastApi, Gradio, TensorFlow Lite) + предложение добавить такую фичу в приложения продуктовых магазинов. За результатами приглашаю в статью.
Привет! Это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий.
Неделя выдалась насыщенной: OpenAI тихо обновили пятёрку до GPT-5.1, Google вытащили Gemini 3 Pro на первые места топовых бенчмарков, Anthropic заключили сделку с Microsoft и Nvidia на десятки миллиардов долларов. Измены с чат-ботами уже приводят к разводам, а в пакистанской газете засветилась подсказка от нейронки.
Всё самое важное — в одном месте. Поехали!
Чтобы спроектировать дом, вам нужна команда: вы (архитектор), конструктор и инженер по сетям. Иногда ещё геолог и дизайнер, но сейчас упростим.
Теперь представьте: один и тот же дом, одна задача, но делаете проект вы в разные десятилетия...
Не пугайтесь, это не психологический тест. Это всего лишь различия между Need for Speed Underground 2 (2004) и Forza Horizon 4 (2018)
1. Ты начинаешь с первой стартовой машины, и в течение первых 20 минут игры ты…
а) …получаешь на неё свой первый апгрейд производительности
б) …получаешь гиперкар и коллекцию дорогих авто без объяснения причин
2. Чтобы прокачать автомобиль максимально, тебе нужно…
а) …пройти множество гонок и открыть весь город со всеми мастерскими
б) …зайти в режим установки деталей и просто их установить (они уже доступны!)
3. Люди при встрече с тобой…
а) …испытывают скепсис относительно твоих навыков вождения, и лишь позже - уважают
б) …дарят тебе дома в центре Британии бесплатно (2-3 штуки)
На что это похоже?
А если цензурно?
Правильно: на быстрый дофамин. Вот о нём мы сегодня и поговорим.
Под катом - больше таких примеров и объяснение феномена.
Многие знают, что такое RAG. Ну, или по крайней мере слышали о нем :) Но не все знают, что типичная архитектура RAG способна отвечать далеко не на все вопросы. У агентного RAG в этом плане гораздо больше возможностей. Агентный RAG может анализировать запрос, составлять план действий и вызвать внешние инструменты. И все это для выполнения поставленной задачи.
В этой статье на практическом примере разберем как с помощью marker'а, Qwen3-14B, MCP-сервера, энкодера FRIDA и библиотеки Agno создать несложный агентный RAG.
---------------
Мои курсы: Разработка LLM с нуля | Алгоритмы Машинного обучения с нуля
