1963
Сборник наиболее интересных Python материалов. https://pythondigest.ru/ Сделать донат - https://boosty.to/pydigest Блог автора - @whydaily Рекомендуем хостинг https://firstvds.ru/?from=421453
protoactor-python - Actor'ы на Python
https://github.com/AsynkronIT/protoactor-python
Как я написал приложение, которое за 15 минут делало тоже самое, что и регулярное выражение за 5 дней
https://habrahabr.ru/post/343116/
Не так давно столкнулся с проблемой поиска набора слов в большом тексте. Разумеется главной проблемой стала производительность. Поиск готовых решений порождал больше вопросов, чем давал ответов. Часто я натыкался на примеры использования каких-то сторонних коробок или онлайн-сервисов. А мне в первую очередь нужно было простое и легкое решение, которое в дальнейшем дало бы мысли для реализации собственной утилиты.
Несколько недель назад вышла замечательная англоязычная статься об open-source python-библиотеки FlashText. Эта библиотека предоставляла быстрое работающее решение задачи поиска и замены ключевых слов в тексте.
Т.к. на русском материалов подобной тематики не так много, то я решил перевести эту статью на русский. Под катом вас ждет описание проблемы, разбор принципа работы библиотеки а так же примеры тестов производительности.
sched — Timed Event Scheduler — PyMOTW 3
https://doughellmann.com/blog/2017/12/04/sched-timed-event-scheduler-pymotw-3/
Введение в обучение с подкреплением: от многорукого бандита до полноценного RL агента
https://habrahabr.ru/post/343834/
Обучение с подкреплением является одним из самых перспективных направлений машинного обучения. С его помощью искусственный интеллект сегодня способен решать широчайший спектр задач: от робототехники и видеоигр до моделирования поведения покупателей и здравоохранения. В этой вводной статье мы изучим главную идею reinforcement learning и с нуля построим собственного самообучающегося бота.
pregel - Tensorflow реализация Graph Convolutional Network
http://github.com/shagunsodhani/pregel
Ускорение unit тестов Django: SQLite, keepdb и /dev/shm
http://www.obeythetestinggoat.com/speeding-up-django-unit-tests-with-sqlite-keepdb-and-devshm.html
CardIO - библиотека для исследования сигналов серца
https://github.com/analysiscenter/cardio
ActivityWatch - автоматический time-tracker
https://github.com/ActivityWatch/activitywatch
Анализ 1000+ греческих вин
https://tselai.com/greek-wines-analysis.html
Анализируем разные характеристики кучи вин
REST API за 5 минут
https://medium.com/python-rest-api-toolkit/build-a-python-rest-api-in-5-minutes-c183c00d3465
PyCharm 2017.3 RC
http://feedproxy.google.com/~r/Pycharm/~3/hAG4F14tYp0/
requestium - соединяем Requests и Selenium для автоматизации
http://github.com/tryolabs/requestium
Как сделать свой блокчейн. Часть 1 — Создание, Хранение, Синхронизация, Отображение, Майнинг и Доказательная работа
https://habrahabr.ru/post/342974/
Доброго всем! Мы тут потихоньку начали исследовать новое совсем для нас направление для обучения — блокчейны и нашли то, что оказалось интересным в рамках нашего курса по Python (https://otus.pw/Fdw4/), в том числе. Чем, собственно, и хотим поделиться с вами.
Torskel — упрощаем рутину в Tornado
https://habrahabr.ru/post/342968/
Мне часто приходится делать небольшие сервера на tornado. В каких-то проектах нужна поддержка работы с redis, в каких-то нет. В других надо рендерить ReactJS. И во всех нужно логирование. Для начала я поднял локальный pypi репозитарий, собрал свои наработки в питоний пакет и радовался жизни. Достаточно было установить пакет, импортировать из него классы, отнаследоваться и радостно пилить код дальше.
Как следить за жизнью Django приложения с помощью sentry
https://micropyramid.com/blog/how-to-monitor-django-application-live-events-with-sentry/
О том как настроить sentry + django
Tcl/Tk. Тематические виджеты TTK и дизайнер TKproE-2.20
https://habrahabr.ru/post/343930/
Просматривая свои заметки (https://habrahabr.ru/post/333742/)по проектированию GUI с использованием виджетов Tk, я почувствовал какую-то неудовлетворенность. А дело оказалось в том, что я фактически упустил работу с тематическими виджетами ttk (themed tk). Они в скользь были задействованы при рассмотрении пакета Tkinter для Python и использовании дизайнера Page (https://habrahabr.ru/post/335712/). Там речь шла о виджете TNotebook (блокнот, записная книжка) из пакета ttk.
Как собрать dataset для обучения используя Google Images
https://www.pyimagesearch.com/2017/12/04/how-to-create-a-deep-learning-dataset-using-google-images/
sumeval - text summarization для разных языков
http://github.com/chakki-works/sumeval
Прогресс бар для консоли со смайликами
https://nvbn.github.io/2017/12/03/shell-emoji-loader/
[Видео] Строим Feed Reader на Python (части 4-6)
http://davywybiral.blogspot.com/2017/11/build-feed-reader-in-python-parts-4-6.html
Развитие стратегий устойчивости
https://habrahabr.ru/post/343008/
В предыдущей статье (http://blog.otoro.net/2017/10/29/visual-evolution-strategies/) я описал несколько алгоритмов эволюционных стратегий (evolution strategies, ES), помогающих оптимизировать параметры функции без необходимости явно вычислять градиенты. При решении задач обучения с подкреплением (reinforcement learning, RL) эти алгоритмы можно применять для поиска подходящих наборов параметров модели для агента нейросети (neural network agent). В этой статье я расскажу об использовании ES в некоторых RL-задачах, а также опишу методы поиска более стабильных и устойчивых политик.
olympus - REST API для AI
https://github.com/galiboo/olympus
state_machine - State Machine for humans.
https://github.com/jtushman/state_machine
Profiling CPython at Instagram
https://engineering.instagram.com/profiling-cpython-at-instagram-89d4cbeeb898
Делаем мемы автоматически с распознанием лица
https://www.makeartwithpython.com/blog/deal-with-it-generator-face-recognition/
DEAL WITH IT мем
Talk Python to Me: #139 путь в карьеру data science
https://talkpython.fm/episodes/show/139/paths-into-a-data-science-career
Аудио-подкаст
RNN: учим нейронную сеть писать как Лев Толстой
https://habrahabr.ru/post/342738/
При изучении технологий Deep Learning я столкнулся с нехваткой относительно простых примеров, на которых можно относительно легко потренироваться и двигаться дальше.
В данном примере мы построим рекуррентную нейронную сеть, которая получив на вход текст романа Толстого «Анна Каренина», будет генерировать свой текст, чем-то напоминающий оригинал, предсказывая, какой должен быть следующий символ.
Структуру изложения я старался делать такой, чтобы можно было повторить все шаги новичку, даже не понимая в деталях, что именно происходит внутри этой сети. Профессионалы Deep Learning скорее всего не найдут тут ничего интересного, а тех, кто только изучает эти технологии, прошу под кат.
cbox - превращаем python функцию в unix команду
http://github.com/shmuelamar/cbox
Шум Перлина
https://habrahabr.ru/post/342906/
Я использовал шум Перлина для создания эффекта тумана и главного экрана в Under Construction (https://eev.ee/release/2016/05/25/under-construction-our-pico-8-game/). Я твитнул о моих усилиях по оптимизации алгоритма (https://twitter.com/eevee/status/731633681735917568), и несколько людей ответили, что они не понимают, как работает шум Перлина и что это на самом деле такое.
Признаюсь, что я (немного) понимаю шум Перлина прежде всего потому, что я реализовывал его ранее, и несколько дней ушло на погружение в неуклюжие объяснения полдюжины разработчиков, более заинтересованных в показе собственных демок, нежели в реальном объяснении. Несколько полезных ресурсов, которые я нашел, часто содержали ошибки и не давали мне интуитивного чувства понимания, как и почему оно все-таки работает.
Машинное обучение своими руками (часть 2). Сервис для классификации обращений в тех. поддержку
https://habrahabr.ru/post/342796/
В октябре команда облачного сервиса Okdesk (https://www.okdesk.ru/) приняла участие в пензенском хакатоне, в рамках которого мы разработали "коробочного" Telegram-бота для Okdesk. Бот позволит клиентам сервисных компаний отправлять заявки на обслуживание, переписываться по заявками и ставить оценки выполнению заявок не выходя из любимого мессенджера.