Покрокові посібники та навчальні матеріали з Python для науки про дані
MLflow 3.2 — open-source платформа з новим LoggedModel API, аліасами champion/challenger замість Stage, інтеграцією Unity Catalog та MLServer з нижчою p99. Практичний посібник із бойовим досвідом на 2026.
Marimo — це реактивний ноутбук для Python із детермінованим DAG виконання. Розбираю встановлення, SQL-комірки з DuckDB, WASM-експорт і міграцію з Jupyter.
Практичний посібник з Optuna 4.9 для Python-розробників: TPE-семплер, прунінг з Hyperband, розподілені дослідження, багатоцільова оптимізація, інтеграція з XGBoost, LightGBM, scikit-learn та MLflow 3.
Практичний посібник з розгортання ML-моделей на FastAPI у 2026: lifespan-події, Pydantic v2 з Rust-ядром, батчинг, Docker-збірка та Prometheus-моніторинг. Робочий код від scikit-learn до продакшн-API.
Практичний посібник з PyIceberg 0.11.1 у Python: REST і Glue каталоги, створення таблиць, UPSERT, schema evolution, time travel, інтеграції з PyArrow, Polars і DuckDB та стан підтримки Iceberg v3 у 2026.
Практичний посібник із vLLM для продакшн-сервінгу LLM у Python: установка, OpenAI-сумісний сервер, tensor parallelism, FP8/AWQ квантизація, моніторинг і типові граблі з польового досвіду.
Практичний посібник з Apache Arrow і PyArrow 18 у Python: zero-copy конверсія з pandas та Polars, робота з Parquet, Compute API, Arrow Flight RPC і ADBC.
Повний практичний посібник з DuckDB 1.5 у Python: встановлення, zero-copy інтеграція з pandas і Polars, запити над Parquet/CSV/JSON, AsOf joins і бенчмарки 2026 року.
Повний практичний посібник з інженерії ознак у Python: числові трансформації, кодування категорій, обробка пропусків, автоматизація з feature-engine та Featuretools, побудова пайплайнів scikit-learn 1.8.
Практичне порівняння XGBoost 3.2, LightGBM 4.6 та CatBoost 1.2.10 у Python — з кодом, бенчмарками, налаштуванням гіперпараметрів через Optuna, ансамблюванням і порадами, який фреймворк обрати для вашого проєкту.
Покроковий посібник з прогнозування часових рядів у Python за допомогою ARIMA, SARIMA та SARIMAX. Від перевірки стаціонарності до автоматичного підбору параметрів із pmdarima — з робочими прикладами коду.
Як побудувати автоматизований пайплайн очищення даних у Python за допомогою pandas 3.0 (PyArrow, Copy-on-Write, .pipe()), pyjanitor для ланцюгового очищення та pandera для валідації якості. Покрокові приклади з кодом.