Модели глубоких нейронных сетей sequence-to-sequence на PyTorch (Часть 1)
https://habr.com/ru/post/567142/?utm_campaign=567142&utm_source=habrahabr&utm_medium=rss

Этот туториал содержит материалы полезные для понимания работы глубоких нейронных сетей sequence-to-sequence (seq2seq) и реализации этих моделей с помощью PyTorch 1.8, torchtext 0.9 и spaCy 3.0, под Python 3.8. Материалы расположены в эволюционном порядке: от простой и неточной модели к сложной и обладающей наибольшей точностью.

[recovery mode] Slicer: нарезка твердотельных объектов под раскрой
https://habr.com/ru/post/567176/?utm_campaign=567176&utm_source=habrahabr&utm_medium=rss

Красивая фэшн мебель, предметы роскоши и модный лухари интерьер - это то, что позволяет пустить пыль в глаза вашим гостям и прослыть хозяевам интересными людьми. Но как все это раздобыть, если у вас ипотека и бюджет ограничен?

Эксперимент для сотрудника с нарушением слуха, ч. 2, проверка на себе
https://habr.com/ru/post/567318/?utm_campaign=567318&utm_source=habrahabr&utm_medium=rss

В первой части (https://habr.com/ru/company/cloud4y/blog/565014/) мы рассказали, зачем вообще решили заняться этим вопросом, а также поделились переводом статьи, ставшей для нас отправной точкой для собственных изысканий. Теперь хотим рассказать, как мы доработали идею под нашего сотрудника.
Отдельное спасибо комментаторам, которые отметились в комментариях к первой части. Устройства с костной проводимостью, программные решения вроде Equalizer APO 1.2.1, слуховые устройства с поддержкой Bluetooth — мы собрали и передали все ваши идеи. Может быть, что-то из этого и выйдет. Но мы расскажем о своём варианте. Возможно, он тоже кому-то будет полезен.

Как контейнеризировать среды ML разработки и не посадить на мель процессы MLOps
https://habr.com/ru/post/565766/?utm_campaign=565766&utm_source=habrahabr&utm_medium=rss

Проблема эффективного создания продуктов на базе Machine Learning в бизнесе не ограничивается подготовкой данных, разработкой и обучением нейросети или другого алгоритма. На итоговый результат влияют такие факторы, как: процессы верификации датасетов, организованные процессы тестирования, и размещение моделей в виде надежных Big Data приложений.

How to write a generator expression
https://www.pythonmorsels.com/topics/how-write-generator-expression/

Why I wrote my own SQL query builder (in Python)
https://death.andgravity.com/own-query-builder

Модели глубоких нейронных сетей sequence-to-sequence на PyTorch (Часть 2)
https://habr.com/ru/post/567610/?utm_campaign=567610&utm_source=habrahabr&utm_medium=rss

Во втором разделе туториола о моделях sequence-to-sequence с использованием PyTorch и TorchText мы будем реализовывать модель из работы Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation (https://arxiv.org/abs/1406.1078). Эта нейронная сеть позволит достичь лучшей точности при использовании только однослойной RNN как в кодере, так и в декодере.

Podcast.__init__: Exploring The SpeechBrain Toolkit For Speech Processing
https://www.pythonpodcast.com/speechbrain-deep-learning-speech-toolkit-episode-323/

Audio

Smile detection with OpenCV, Keras, and TensorFlow
https://www.pyimagesearch.com/2021/07/14/smile-detection-with-opencv-keras-and-tensorflow/

Use FastAPI to Build Web APIs
https://realpython.com/fastapi-python-web-apis/

Django File Uploads: How to Upload Images and Files
https://www.ordinarycoders.com/blog/article/django-file-image-uploads

Модели глубоких нейронных сетей sequence-to-sequence на PyTorch Часть3
https://habr.com/ru/post/567794/?utm_campaign=567794&utm_source=habrahabr&utm_medium=rss

В этом третьем посте о моделях sequence-to-sequence с использованием PyTorch и torchText мы будем реализовывать модель из стать Neural Machine Translation by Jointly Learning to Align and Translate. Эта модель демонстрирует лучшую точность из из трёх моделей (~27 по сравнению с ~34 у предыдущей модели).

How to use HtmlWebpackPlugin to load Webpack bundle in Django
https://www.accordbox.com/blog/how-use-htmlwebpackplugin-load-webpack-bundle-django/

Python Bytes: #242 from lib import * but less
https://pythonbytes.fm/episodes/show/242/from-lib-import-but-less

Audio

Text to QR code image and QR code image to text generator in Python Django
https://pythoncircle.com/post/749/text-to-qr-code-image-and-qr-code-image-to-text-generator-in-python-django/

Модели глубоких нейронных сетей sequence-to-sequence на PyTorch (Часть 4)
https://habr.com/ru/post/567998/?utm_campaign=567998&utm_source=habrahabr&utm_medium=rss

В этой части мы добавим несколько улучшений — упакованные дополненные последовательности и маскировка — к модели из предыдущего раздела. Упакованные дополненные последовательности используются, чтобы сообщить нашей RNN, что нужно пропускать маркеры заполнения в нашем кодировщике. Маскировка явно заставляет модель игнорировать определенные значения, такие как внимание к элементам с заполнением. Оба эти метода обычно используются в обработке естественного языка (NLP).Кроме того, мы рассмотрим как использовать нашу модель для вывода целевого предложения, давая ей входное предложение, видя результат её перевода, и выясняя, на что именно она обращает внимание при переводе каждого слова. Наконец, мы будем использовать метрику BLEU для измерения качества наших переводов.

Uszipcode: Best Module To Find Zip Codes in Python
https://www.pythonpool.com/uszipcode-python/?utm_source=rss&utm_medium=rss&utm_campaign=uszipcode-python

Общего решения из коробки — нет, или тестируем PySpark MLlib
https://habr.com/ru/post/551426/?utm_campaign=551426&utm_source=habrahabr&utm_medium=rss

Обозначим задачу: есть пайплайн, написанный с привычными для Data Scientist фреймворками типа Scikit-learn. Это нужно перенести в кластер Spark’а. Кажется, в чем тут может проблема? Андрей Гаврилов работает в компании EPAM software инженером и занимается data-инженерными задачами. Пишет на Python, работает с Big Data и изучает Data Science — потому что невозможно заниматься Big Data на Python, не касаясь при этом Data Science.И однажды он захотел выяснить, насколько модуль Spark, связанный с machine learning —  рабочий. Имеет ли  смысл его применять, когда мы мигрируем какое-то решение — например, Scikit-learn — на Spark.

Большая подборка телеграмм-каналов для аналитиков
https://habr.com/ru/post/567582/?utm_campaign=567582&utm_source=habrahabr&utm_medium=rss

Работа аналитика требует постоянного пополнения своих знаний - новые инструменты, обновления и методы создаются, как горячие пирожочки. Но перерабатывать такие объемы информации просто нереально, а узнавать что-то новенькое и полезное хочется. И что делать?

Talk Python to Me: #325: MicroPython + CircuitPython
https://talkpython.fm/episodes/show/325/micropython-circuitpython

Audio