pybloom-mirror - реализация различных вероятностных структур данных

http://pypi.python.org/pypi/pybloom-mirror/

Скачивание треков с Autotravel.ru

http://habrahabr.ru/post/271231/

Как и многие любители путешествовать, я нахожу координаты достопримечательностей городов на сайте autotravel.ru (далее — сайт). Под свои нужды написал небольшую утилиту для скачивания файлов с достопримечательностями для последующей заливки в навигатор. Программа предельно простая, но работает именно так, как мне было нужно. Кроме того реализовано простейшее средство экономии времени загрузки и траффика — кэширование.

Программа, которую я назвал AtTrackDownloader, написана на Python 3 с использованием Beautiful Soup — библиотеки для синтаксического разбора файлов HTML. Для графического интерфейса используется PyQt — просто потому, что я знаком с Qt.

robotframework - фреймворк для автоматизации тестирования

http://pypi.python.org/pypi/robotframework/

skflow - упрощенный интерфейс для TensorFlow

http://github.com/google/skflow

Асинхронное программирование на Python 3

https://community.nitrous.io/tutorials/asynchronous-programming-with-python-3

Введение в async и await и асинхронное программирование

Сравнение 7 инструментов для визуализации

https://www.dataquest.io/blog/python-data-visualization-libraries/

В этой статье мы будем использовать реальные данные и попробуем визуализировать их с помощью 7 библиотек для визуализации.

Пишем распределенную систему на AWS Lambda, Python и DynamoDB

http://tech.adroll.com/blog/dev/2015/11/16/count-things-with-aws-lambda-python-and-dynamodb.html

В этой статье мы представим полный пример системы агрегации данных с помощью Python, событий S3 и DynamoDB.

[Видео] Машинное обучение на недружелюбном стеке

https://www.youtube.com/watch?v=LmKM4ng44vk

Профилируем Python используя cProfile

https://julien.danjou.info/blog/2015/guide-to-python-profiling-cprofile-concrete-case-carbonara

Написание программ это веселый процесс. А вот повышение производительности - боль. Программы Python не являются исключением. Здесь я хотел бы показать вам, как можно быстро анализировать код Python, чтобы найти медленные части кода программы

Туториал: моделирование Байеса

https://github.com/markdregan/Bayesian-Modelling-in-Python

Это Cookbook для погружения в вероятностное программирование на Python

Natural Language Processing на примере отзывов об отелях

http://www.racketracer.com/2015/11/18/practical-natural-language-processing-for-determing-wifi-quality-in-hostels/

Визуализация цепей Маркова с помощью NetworkX

http://vknight.org/unpeudemath/code/2015/11/15/Visualising-markov-chains/

ElastAlert - фреймворк для оповещения об аномалиях на основе данных из Elasticsearch

https://github.com/Yelp/elastalert

django-array-tags - поле для хранения тегов

http://pypi.python.org/pypi/django-array-tags/

Поле реализовано на основе PostgreSQL и ArrayField 

Flappy Bird в 87 строк на Python

https://github.com/Max00355/FlappyBird

HtmlPy – GUI библиотека на основе Qt, HTML, CSS

http://amol-mandhane.github.io/htmlPy/

imapy - IMAP для людей

http://pypi.python.org/pypi/imapy/

jw.lognotify - оповещения в реальном времени на основе логгирования

http://pypi.python.org/pypi/jw.lognotify/

console_video - проигрываем видео в консоли (на основе ffmpeg)

http://github.com/ee0703/console_video

JSON парсеры - производительность и потребление памяти

http://blog.ionelmc.ro/2015/11/22/memory-use-and-speed-of-json-parsers/

В статье вы найдете подробное сравнение JSON парсеров. Будут рассматрваться такие параметры как производительность и потребление памяти.

Список JSON библиотек:

cjson, rapidjson, yajl, ujson, jsonlib2, jsonlib, simplejson, json.