4 книги в предзаказе: техническое интервью, машинное обучение, ИИ-агенты и векторные БД

Построение модели машинного обучения — лишь часть работы. Необходимо разобраться в данных, выбрать подходящие методы, оценить качество предсказаний, объяснить результаты и организовать работу модели после развертывания. При этом экосистема Python постоянно растет, и выбрать нужные инструменты среди множества библиотек бывает непросто.

В книге собраны библиотеки Python для основных этапов жизненного цикла модели машинного обучения. Вы научитесь генерировать искусственные данные, исследовать и предобрабатывать данные, обучать модели классификации и регрессии, решать задачи кластеризации и обнаружения аномалий, оценивать качество данных и моделей, настраивать гиперпараметры и интерпретировать результаты моделирования. Познакомитесь с основными инструментами Python, включая pandas, scikit-learn, XGBoost, Optuna, FastAPI и MLflow, и узнаете, как применять их и другие библиотеки на всех этапах работы с ML-моделями.

Почему стоит прочитать?

В ML-проекте легко запутаться в библиотеках и потратить немало времени на поиск подходящего инструмента. Книга поможет разобраться, какие решения использовать для работы с данными, обучения и оценки моделей, а также как объединить их в единый рабочий процесс.

🤖 Для ML-инженеров, специалистов по Data Science и Python-разработчиков.

Больше десяти лет книга «Карьера программиста. Как устроиться на работу в Google, Microsoft или другую ведущую IT-компанию» остается базой для подготовки к собеседованиям. «Сложное кодинг-интервью. Гайд по прохождению собеседований» развивает эту базу и готовит вас к современным реалиям: углубленным техническим интервью и изменившемуся рынку найма.

Внутри вас ждет метод решения незнакомых задач: граничное мышление (Big O и не только), триггерное мышление и пять бустеров, которые выручают, когда решение не находится. Каталог из 19 технических тем охватывает структуры данных и алгоритмы, в том числе два указателя, скользящие окна, кучи, жадные алгоритмы, топологическую сортировку и префиксные суммы, а сами темы разбиты на 3 уровня по важности. В книге 228 задач с решениями на Python, а решения на Java, JavaScript и C++ смотрите онлайн. Проверить себя можно и с ИИ-интервьюером AI Interviewer.

Почему стоит прочитать?

Советы по поиску работы обычно слишком общие и написаны не инженерами. Авторы показывают, как получить рекомендацию, если вы никого не знаете в компании, как сделать так, чтобы офферы пришли одновременно, и как договориться о лучшем предложении. Это хороший материал для тех, кто хочет понять, как устроено техническое интервью и над чем действительно стоит работать при подготовке.

🤖 Для разработчиков, готовящихся к собеседованиям в технологические компании.

Когда агентов становится много, вопрос «Как построить агента?» сменяется другим: «Как управлять целой экосистемой агентов?» Эта книга о среде, в которой агенты сотрудничают, проводят транзакции и сами выполняют свои задачи. Эрик и Дэвис Брода опираются на проверенные идеи сеток сервисов API и сеток данных (data mesh) и предлагают агентную сетку (agentic mesh): архитектуру, которая позволяет безопасно управлять растущей экосистемой агентов.

Авторы показывают, как агенты устроены изнутри и из чего состоит сетка: реестры агентов, маркетплейсы, механизмы доверия, контроль с оператором в контуре. Вы поймете, как построить такую экосистему, управлять ею и сохранить ее безопасной, прозрачной и эффективной. Книга подойдет техническим руководителям, разработчикам и корпоративным стратегам как дорожная карта для работы с автономными агентами.

Почему стоит прочитать?

Книга пригодится тем, кто проектирует агентные системы и хочет заранее продумать их устройство, безопасность и управление. Она будет полезна тем, кто планирует внедрять агентные системы в компании, продумывает их архитектуру и хочет разобраться, как обеспечить безопасность и согласованность действий агентов.

🤖 Для архитекторов, технических лидеров, разработчиков GenAI-систем и специалистов, внедряющих ИИ в бизнес-процессы.

Векторные базы данных стали одной из основ современного ИИ: на них держатся семантический поиск, рекомендательные системы и RAG-системы. При этом многие разработчики знают о них лишь в общих чертах, а сведения разбросаны по документации, блогам и репозиториям.

Нитин Борванкар собрал информацию в одно практическое руководство. Он объяснил, как и почему работают векторные БД: от эмбеддингов и Word2Vec до индексов FAISS и HNSW. Затем показал, как векторные расширения превращают привычные SQLite и PostgreSQL в векторные базы данных и как строить на них RAG-систему. Все примеры написаны на Python и запускаются на обычном компьютере, без облачных сервисов и GPU.

Почему стоит прочитать?

При создании ИИ-приложений приходится решать, как быстро находить нужную информацию среди большого количества данных. Обычного поиска по ключевым словам для этого бывает недостаточно. Книга поможет разобраться, как устроен поиск по смыслу, как работают эмбеддинги и векторные индексы и как использовать их в своих проектах.

🤖 Для Python-разработчиков, дата-инженеров и специалистов, которые хотят уверенно применять векторные БД в своих ИИ-проектах.