Machinelearning

📌Библиотека алгоритмов робототехники на Python. PythonRobotics - открытая коллекция кода на Python и учебник по алгоритмам робототехники, которую собрал Ацуши Сакаи. 🟡В проекте есть все: 🟢Локализация (EKF, фильтры частиц, гистограммные фильтры); 🟢SLAM (FastSLAM, ICP-сопоставление); 🟢Планирование пути (A, RRT, Дейкстра, D*, потенциальные поля, решетка состояний); 🟢Отслеживание траекторий (контроллер Стэнли, LQR, MPC); 🟢Навигация для манипуляторов; 🟢БПЛА; 🟢Проектирование движения для двуногих роботов. К каждой теме есть визуальные анимации, математические объяснения и рабочий код. Библиотека не перегружена, ее легко читать и понимать, она содержит практические алгоритмы. которые реально используются в индустрии. Это отличный образовательный ресурс с 2 212 коммитами, вкладом 138 разработчиков и активной поддержкой. Если вы изучаете робототехнику, создаете автономные системы или преподаете алгоритмы — этот ресурс для вас. У проекта лицензия MIT, так что можно свободно использовать его в личных или коммерческих проектах. А еще, это отличный пример, как выглядит хороший опен-сорс: образовательный, практичный, хорошо документированный и развиваемый сообществом. @ai_machinelearning_big_data #AI#ML#Robotics#Github

🌟LLM Council: на ваши запросы отвечает совет из языковых моделей. Андрей Карпаты опять выходит на связь опубликовал очередной vibecode проект. Его идея в том, что вместо того, чтобы задавать вопрос одной LLM, вы можете объединить их в «Совет моделей». LLM Council - это простое локальное веб-приложение, с интерфейсом как у ChatGPT, но с той разницей, что запрос отправляется через Openrouter нескольким LLM. Полученные ответы перекрестно оцениваются и ранжируются, и, наконец, «модель-председатель совета» формирует окончательный ответ. Более подробно процесс выглядит так: 🟢Этап 1: Сбор мнений. Запрос отправляется всем моделям по отдельности, и их ответы собираются. Ответы каждой модели отображаются в отдельной вкладке, чтобы можно было их посмотреть вручную. 🟢Этап 2: Рецензирование. Каждая модель получает ответы других моделей. При этом идентификаторы анонимизированы, чтобы исключить «игру в любимчиков» при оценке чужих результатов. На этом этапе ответы ранжируются их по точности и глубине анализа. 🟢Этап 3: Итоговый ответ. Модель-председатель принимает все ответы моделей и компилирует их в единый окончательный ответ. ⚠️ Для использования нужен API-ключ OpenRouter. На платформе есть бесплатные модели 🖥Github @ai_machinelearning_big_data #AI#ML#LLMCouncil#Github

🌟Reader3: легковесная читалка для книг от Andrej Karpathy Андрей Карпаты опубликовал у себя в Github небольшой проект - утилиту под названием reader3. На первый взгляд, это просто легковесная читалка для электронных книг в формате EPUB, которую можно запустить у себя на компьютере. Но главная идея в том, чтобы читать книги вместе с LLM. Reader3 разбивает книгу по главам, и пользователь может легко скопировать текст текущей главы и вставить его в свой любимый LLM, чтобы обсуждать сюжет, анализировать стиль или задавать вопросы по тексту. Но самое интересное здесь — это философия, которая стоит за проектом. Карпаты пишет, что проект написан "на 90% вайбкодингом", просто для иллюстрации идеи и что он не собирается его поддерживать или улучшать. Я начинаю привыкать читать все (блоги, статьи, главы книг и т. д.) с помощью LLM. Обычно первый проход — ручной, второй — «объяснение/резюме», третий — вопросы и ответы. В результате я обычно получаю более глубокое понимание, чем если бы я просто прошел дальше. Этот процесс становится у меня одним из самых популярных вариантов чтения. А вместо этого предлагает пользователям... просто попросить свою языковую модель изменить код так, как им нравится. Код теперь эфемерный, — пишет Андрей, намекая на то, что эпоха статичных библиотек и долгой поддержки уходит в прошлое. Для тех, кто хочет попробовать, процесс максимально прост. Нужно скачать книгу в формате EPUB и запустить пару команд в терминале, используя uv: uv run reader3.py yourbook.epub # Then run the server: uv run server.py После этого ваша книжная полка станет доступна в браузере по адресу localhost:8123. 📌Лицензирование: MIT License. 🖥GitHub @ai_machinelearning_big_data #AI#ML#LLM#Karpathy#Github#Book

📊 TypeScript впервые обошёл Python и JavaScript в рейтинге GitHub Octoverse 2025 GitHub опубликовал ежегодный отчёт Octoverse, в котором TypeScript занял первое место среди самых популярных языков программирования, впервые вытеснив Python и JavaScript. ▪После запуска Copilot Free приток новых разработчиков на платформу достиг рекордных 36 млн в год. ▪ Количество ИИ-проектов почти удвоилось. ▪ Индия обогнала Китай и вышла на второе место по числу разработчиков, показав рост на 34%, а Россия вошла в топ-10. ▪ Ежеминутно создаётся более 200 репозиториев, но лишь 63% из них содержат README Мир разработки меняется - ИИ ускоряет приток новых программистов, а TypeScript становится новым стандартом современного кода: Подробнее: https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/ @ai_machinelearning_big_data #github

✨Awesome-falsehood — это подборка «заблуждений программистов», в которые мы часто верим, но которые на самом деле ложные. В списке собраны распространённые ошибки и мифы из разных областей: даты и время, email, география, телефонные номера, почтовые адреса, интернационализация, работа с сетью, бизнес-логика, мультимедиа, типографика, идентификация пользователей, общество и даже наука. - Помогает не попадаться на типичные грабли. - Каждый раздел содержит реальные примеры и пояснения, почему привычные предположения не работают. - От банального «валидный email всегда содержит один @» до сложного — «почтовый адрес можно записать в фиксированном формате» или «часовые пояса не меняются». 🔥 Репозиторий давно стал must-read для разработчиков, чтобы проектировать системы без скрытых багов. 👉 Провеить свои заблуждения иожно здесь: https://github.com/kdeldycke/awesome-falsehood @ai_machinelearning_big_data #awesome#github

📌Подборка материалов по оптимизации агентных систем. Awesome-Self-Evolving-Agents - подборка материалов по теме оптимизации агентов в концепции саморазвивающихся систем, в которой собраны работы с 2023 по 2025 год по 3-м направлениям: оптимизация одиночного агента, оптимизация мультиагентных систем и методы их оценки. Содержание 🟡Оптимизация одного агента 🟢Оптимизация поведения LLM 🟢Оптимизация промпта 🟢Оптимизация памяти 🟢Инструменты 🟡Мультиагентная оптимизация 🟡Оценка 🟠LLM-судья 🟠Агент-судья 🟠Безопасность и элайнмент саморазвивающихся агентов @ai_machinelearning_big_data #AI#ML#LLM#Agents#AwesomeList#Github

🌟LMCache: умное кэширования для LLM-инференса. LMCache - проект, который предлагает решение по сохранению KV-кэша на CPU, диске или даже в специализированной памяти NIXL. По сути, это инструмент, который превращает одноразовые вычисления в многократно используемые блоки, экономя время и ресурсы. Представьте, что в чат-боте пользователи часто ссылаются на один и тот же системный промпт или историю диалога. Обычно модель заново обрабатывает эти данные, но LMCache просто загружает готовый кэш. Выгрузка KV-кэшей освобождает GPU для новых задач, уменьшая TTFT (время до первого токена) вплоть до 10 раз. 🟡LMCache гибкий. Кэши можно не только выгружать, но и делиться между разными инстансами LLM. Проще говоря, если два пользователя одновременно обращаются к разным копиям модели с одинаковым запросом, система не будет дублировать работу: результаты одного prefill’а станут доступны всем. Это работает даже для неполных префиксов, например, при частичном совпадении входных данных. 🟡LMCache умеет в раздельную предобработку. Prefill и decode, которые обычно выполняются на одном GPU, теперь могут быть разнесены: первый этап обрабатывается на мощных узлах, а второй на оптимизированных для генерации. Для распределенных систем такая техника повысит пропускную способность. Тесты разработчиков проекта показывают, что в реальных задачах задержка снижается в 3–10 раз, а GPU-циклы экономятся на повторных вычислениях. Проект тесно интегрируется с vLLM, в репозитории есть большой набор с примерами, документация и советы по установке и настройке. ⚠️Калькулятор KV-кеша с выбором модели, ее типа данных и количества токенов, который поможет прикинуть, сколько VRAM можно сэкономить. 📌Лицензирование: Apache 2.0 License. 🖥Github @ai_machinelearning_big_data #AI#ML#LLM#LMCache#KVCache#Github

🌟NXTscape: браузер с локальными ИИ-агентами для Mac. NXTscape - опенсорсный браузер для Mac OS на базе Chromium, где ИИ-агенты работают у вас на устройстве, а не в облаке ИТ-гигантов. Самое важное: ключи API, история и данные никогда не покидают локальную систему. Подключаете OpenAI, Anthropic или локальные модели через Ollama и автоматизируете рутину действий в интернете. Проект прост в переходе с Chrome: миграция занимает пару кликов, все расширения работают, его код открыт, можно форкнуть или проверить каждую строчку. В планах на будущее: MCP Store, магазин ИИ-агентов, в нем обещают запуск прямо из адресной строки. Плюс встроенный ИИ-блокировщик рекламы, который планируют сделать умнее аналогов. Теперь ваши 70+ вкладок могут управляться агентами, а не вы ими, достаточно скачать стабильный релиз с Github. 📌Лицензирование: AGPL-3.0 License. 🟡Сообщество в Discord 🖥GitHub @ai_machinelearning_big_data #AI#ML#Agents#Github#NXTscape

🌟Self-Hosted AI Package: комплексное решение для локального развертывания ИИ. Self-Hosted AI Package - это готовый шаблон на основе Docker Compose, который позволяет быстро развернуть полнофункциональную локальную среду с использованием ИИ и low-code инструментов. Основная цель проекта: предложить разработчикам удобный и быстрый способ для начала работы с локальными ИИ-системами. ✔️ Поддерживаемые инструменты и сервисы: 🟢Self-hosted n8n - Low-code платформа с более 400 вариантами интеграций; 🟢Supabase - База данных с открытым исходным кодом, популярная для агентов ИИ; 🟢Ollama - кросс-платформенный бэкэнд для локального запуска LLM; 🟢Open WebUI - ChatGPT-подобный интерфейс для взаимодействия с моделями и агентами n8n; 🟢Flowise - No/low code конструктор ИИ-агентов, который очень хорошо сочетается с n8n; 🟢Qdrant - Высокопроизводительное векторное хранилище с открытым исходным кодом и обширным API. 🟢Neo4j - Движок для создания графов знаний, на котором работают GraphRAG, LightRAG и Graphiti. 🟢SearXNG - Метапоисковая система с открытым исходным кодом, объединяющая результаты с 229 поисковыми сервисами; 🟢Caddy - Управляемый HTTPS/TLS для пользовательских доменов; 🟢Langfuse - Инженерная платформа с открытым исходным кодом для наблюдаемости агентов. Проект активно развивается, авторы даже запустили публичную Kanban-доску, где отслеживаются внедрение новых функций и исправление ошибок. ⚠️ Перед запуском служб необходимо настроить переменные окружения для Supabase, следуя их руководству. ⚠️ Основным компонентом набора является файл docker compose, предварительно сконфигурированный с сетью и диском, поэтому больше ничего устанавливать не нужно. После установки нужно будет выполнить действия из Quick start and usage, чтобы начать работу. ▶️Установка: # Clone repo git clone -b stable https://github.com/coleam00/local-ai-packaged.git cd local-ai-packaged # For Nvidia GPU python start_services.py --profile gpu-nvidia # For AMD GPU users on Linux python start_services.py --profile gpu-amd # For Mac Run fully on CPU python start_services.py --profile cpu #For everyone else python start_services.py --profile cpu 📌Лицензирование: Apache 2.0 License. 🖥GitHub @ai_machinelearning_big_data #AI#ML#Agents#Github