🐼 Pandas 3.0 почти подъехал — вышел первый релиз-кандидат

Команда наконец выложила pandas 3.0.0rc0, и, если не всплывут сюрпризы, финальный релиз выйдет совсем скоро.

Что там важного:

➡️ Строки больше не “object”

Теперь по умолчанию строки — это строки, нормальный str dtype, а не непонятная коробка object.

Работает быстрее, памяти ест меньше, ведёт себя предсказуемо. Плюс Arrow под капотом, если он установлен.

➡️ Конец «view vs copy». Настоящий Copy-on-Write

Срезы теперь ведут себя как нормальные копии. Хочешь изменить объект — изменяй сам объект, а не его кусок.

Chained assignment умер, предупреждение удалили.

➡️ Минимальная версия Python теперь 3.11

Если у вас в проде всё ещё что-то крутится на 3.8–3.10… ну, время пришло 😅

NumPy тоже подтянули до 1.26+.

➡️ Даты делают меньше «магии»

Раньше всё тащилось в наносекунды, даже если достаточно миллисекунд.

Теперь pandas умно выбирает нужную точность. Поведение стало ближе к тому, как ведёт себя обычный Timestamp.

➡️ Переименовали кучку алиасов

Если вы привыкли к частотам в стиле "M" — готовьтесь. Теперь:
➖ "M" → "ME"
➖ "Q" → "QE"
➖ "Y" → "YE"

Немного больно, но логичнее.

➡️ Много старья убрали

Очень много. Например:
➖ DataFrame.applymap — всё, финита
➖ Series.view, Series.ravel
➖ старые параметры и поведение, которые уже давно просили убрать
➖ Python 2 pickle (ну, тут без сюрпризов)

Устанавливаем:

pip install --upgrade --pre pandas

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🥳 Как одна летняя тусовка в Дартмуте случайно запустила эру искусственного интеллекта

Лето 1956 года. Тихий кампус Дартмута. Несколько учёных, которые слишком много думают о машинах. И один почти наглый вопрос:

а что если научить компьютер мыслить?

Сегодня это кажется очевидным — у нас есть ChatGPT, нейросети, автономные системы. Но тогда компьютеры были шкафами на колёсах, и сама идея интеллекта в машине звучала как фантазия. Тем не менее, четверо смельчаков — Маккарти, Минский, Шеннон и Рочестер — решили собрать всех энтузиастов в одном месте и разобраться.

Так появился Dartmouth Workshop, событие, которое считается официальным рождением искусственного интеллекта.

▶️ Почему этот воркшоп стал легендой

Не было ни чёткого расписания, ни строгих протоколов. Люди приезжали, уезжали, спорили, рисовали формулы на досках, спорили снова.
Но именно в этом хаосе родилось главное:
🔘 интеллект можно описывать математически.
🔘 и если можно описать — можно реализовать в машине.

А ещё приехала команда Newell–Shaw–Simon и показала Logic Theorist — программу, которая умела доказывать теоремы. Не теоретически, а реально. Это стало маленьким шоком: машины могут думать не хуже студентов.

Кто стоял за началом ИИ:
🔘 Джон Маккарти — придумал слово Artificial Intelligence.
🔘 Марвин Минский — пытался разложить интеллект на части, как сложный механизм.
🔘 Клод Шеннон — человек, который вообще объяснил миру, что такое информация.
🔘 Натаниел Рочестер — заставлял всё это работать на ранних компьютерах IBM.

▶️ Что нам осталось в наследство от Дартмута

Практически всё, с чего начинается современный курс по ИИ:
🔘 символьные модели,
🔘 поиск и эвристики,
🔘 первые шаги машинного обучения,
🔘 идеи компьютерного зрения,
🔘 формализация знаний и рассуждений.

Они не создали разумную машину — но задали путь, по которому идём до сих пор.

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#междусобойчик

📱 Хотите понять, как работает LLM изнутри? Есть отличный репозиторий

Если вы когда-нибудь ловили себя на мысли:

«А как вообще устроены GPT-подобные модели? Можно ли собрать свою — пусть маленькую, но настоящую?»

То вот подарок.

Есть репозиторий Build a Large Language Model (From Scratch) — это официальный код к одноимённой книге, где вы буквально шаг за шагом пишете свой собственный LLM. Не магия, не «всё слишком сложно», а нормальный, понятный разбор: архитектура, обучение, токенизация, внимание — всё по полочкам.

Плюс бонус: есть код для загрузки весов крупных моделей, чтобы вы могли потренироваться в финетюнинге.

➡️ GitHub: https://clc.to/_17mAg

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

👍 Классный IDE для Data Science — Positron

Коллеги, хотим поделиться находкой. Мы тут попробовали Positron — новый IDE — и оказались приятно удивлены.

Positron ощущается как инструмент, сделанный людьми, которые сами каждый день пишут код и работают с данными:
• поддерживает несколько языков (Python, R, SQL и другие),
• удобно исследовать данные и сразу документировать результаты,
• интерфейс современный, но при этом интуитивный — будто всегда был под рукой,
• расширяемость позволяет адаптировать среду под свои задачи.

В целом, Positron оставляет очень «домашнее» ощущение: ничего не мешает, всё под рукой, можно спокойно концентрироваться на работе.

📱 Если вы ищете удобный и гибкий IDE для дата-сайенса — попробуйте: https://clc.to/T4rD3g

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🐸 Библиотека дата-сайентиста

#развлекалово

🆕 Свежие новости для дата‑сайентистов

✅ Microsoft представила Fara-7B — open-weight агент для управления компьютером
Вместо fragile-скриптов модель просто смотрит на экран и кликает, как человек. Звучит очевидно, но для веб-автоматизации это большой шаг вперёд: сайты меняются, а UI гораздо терпимее к «людям», чем к ботам. Заодно хороший пример того, как агентные модели начинают выходить из теории в практику.

✅ Как на самом деле работает prompt caching
Кешируется контент на уровне токенов, а не запросы или диалоги целиком. Любое изменение в префиксе — и весь кеш обнуляется. Отличное объяснение для тех случаев, когда кеш «почему-то» не сработал.

✅ NVIDIA выпустила Alpamayo-R1 — vision-language action модель для автономного вождения
Модель объединяет восприятие и текстовое рассуждение и нацелена уже не на распознавание, а на принятие решений в физическом мире. VLM всё меньше выглядят как демо и всё больше — как фундамент для real-world AI.

✅ Mistral анонсировала семейство Mistral 3
Open-weight MoE без сюрпризов: упор на производительность, понятные лицензии и удобство для разработчиков. Очень характерный шаг для команды, которая делает ставку на практичность.

✅ Google Research представили Titans — модель с памятью на миллионы токенов
Вместо полного attention используется внешняя память, что снижает стоимость работы с длинными контекстами. Похоже на ещё один шаг к моделям, которые не просто «читают много», а действительно что-то помнят.

✅ Работа с NLP на Python
Cпокойный и прикладной обзор инструментов и подходов. Хорошо подойдёт для освежения базы.

✅ Визуально-языковые модели: следующий шаг эволюции LLM
Bнятно о том, зачем LLM зрение и куда это всё движется.

✅ Как сжимать языковые модели без дообучения
Про квантование и другие способы уложить модель в прод-ограничения.

🔸 Курс «Специалист по ИИ»
🔸 Получить консультацию менеджера
🔸 Сайт Академии 🔸 Сайт Proglib

🐸 Библиотека дата-сайентиста

#свежак

😸 Мы тоже не верили, что Haskell подходит для data science

Мы тут наткнулись на текст с громким названием «Haskell IS a Great Language for Data Science» — и, честно говоря, сначала отнеслись скептически. Haskell? Для data science? Серьёзно?

А потом начали читать. И поняли, что автор не просто хайпит, а довольно внятно показывает, зачем строгая типизация, иммутабельность и умный компилятор могут быть не академической экзотикой, а реальным плюсом для работы с данными.

😏 Особенно если вы устали от сюрпризов в рантайме и бесконечных NA / None / NaN.

Это не «срочно переписываем всё с Python и R», но как минимум — хороший повод расширить кругозор и посмотреть, как вообще может выглядеть data science в мире строгих типов.

Делимся оригинальной статьёй тут 👉 https://clc.to/kXZhwA
А вы бы попробовали Haskell для аналитики или это уже too much?

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🤖 Claude стал новым тренером для LLM

Если вы думали, что настройка языковых моделей — это сложная и скучная рутина, встречайте Claude.

С помощью Hugging Face Skills Claude теперь умеет:
〰️ запускать задачи на облачных GPU;
〰️ следить за прогрессом;
〰️ загружать готовые модели на Hugging Face Hub;
〰️ работать с моделями от 0.5B до 70B параметров;
〰️ конвертировать модели в GGUF для локального использования;
〰️ собирать многоступенчатые пайплайны.

😎 То есть вместо долгих часов настройки можно спокойно наблюдать, как модель учится и совершенствуется.

Полный гайд здесь: https://clc.to/j-81ZA

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст