• Корутинна модель та event loop: як досягається конкурентність 

• Очікування та координація задач: await, gather, task groups

• Типові помилки асинхронного коду: блокування loop, race conditions, витоки памʼяті

• Зелені потоки та інші альтернативи

Практика:  

Оркестрація задач з використанням семафору, вибір стратегії паралельності/конкурентності для різних типів задач

• Моделі запуску процесів: fork, spawn

• Обмін даними між процесами: черги, пайпи, shared memory

• IPC та координація процесів

• Вибір кількості процесів: баланс між продуктивністю та можливостями процесора  

Практика:  

Централізація логування, паралельні обчислення та спільний доступ до даних із використанням IPC і shared memory

• Як та чому виникають гонки потоків

• Примітиви синхронізації: mutex, lock і їхній вплив на продуктивність

• Потокобезпечна взаємодія через черги та обмін даними

• Координація потоків: Semaphore, Event, Condition

• Вибір кількості потоків: компроміс між паралельністю та накладними витратами

Практика:  

Реалізація багатопоточного log collector, реалізація thread-safe структур

• Роль GIL у CPython та його вплив на продуктивність

• Перемикання потоків: як Python поводиться з I/O-bound та CPU-bound задачами

• Взаємодія GIL з планувальником потоків і сигналами

• Реалізація GIL: мʼютекси, семафори, умовні змінні pthreads  

Практика:  

Вибір стратегії виконання та пояснення результатів з урахуванням впливу GIL

• Локальні та зовнішні кеші (in-memory vs Redis): коли який підхід доречний

• Типові помилки кешування: застарілі дані, cache stampede, неконтрольоване зростання 

• Політики cache-eviction (LRU, LFU, TTL) і їх вплив на памʼять та hit-rate

• Підходи до вибору розміру кешу: компроміс між споживанням памʼяті, швидкодією та стабільністю 

Практика:  

Вибір підходу під задачу, реалізація LRU-кешу, аналіз впливу кешу на продуктивність і поведінку алгоритму

• Векторизація та відмова від Python-циклів NumPy і альтернативи: PyArrow, JAX — сценарії використання

• Zero-copy підхід: buffer protocol, memoryview, mmap — робота з даними без копій

• Компіляція та JIT-оптимізація: Cython, Numba. Коли це виправдано, а коли ні  

Практика: 

Робота з байтовими даними без копій, вибір оптимального підходу обробки даних під конкретну задачу

• Поверхневе, глибоке та приховане копіювання: де Python створює нові обʼєкти

• Фрагментація памʼяті: причини виникнення та накопичення

• Вплив копіювання та фрагментації на споживання памʼяті та стабільність системи

• Що використовувати замість копій: робота з посиланнями та view-підходи (генератори, слабкі посилання, слоти, іменовані кортежі, датакласи) 

Практика:  

Реалізація Copy-On-Write масиву, аналіз прихованих алокацій, профілювання памʼяті

• Внутрішня обʼєктна модель CPython: PyObject, reference counting, роль GC 

• Рівні керування памʼяттю: heap, arenas, pools, blocks та логіка роботи pymalloc

• Типові патерни надлишкових алокацій і фрагментації памʼяті в Python-коді

• Інструменти вимірювання та діагностики: tracemalloc, gc, sys.getsizeof, практичні техніки аналізу

Практика:  

Написання коду без зайвих алокацій

• Deep understanding of parsing techniques

• Working with lists and trees