[Видео] Код, как наследие
https://pythonz.net/videos/155/

Лекция для Школы бэкенд-разработки Яндекса. Лето 2021.



Это правда, что слово «legacy» подчас может пугать и наводить уныние. Однако не стоит забывать, что наследие наследию всё же рознь. Давайте определимся, что такое наследие, разберёмся каким оно бывает и поймём, как с ним можно жить.

Всё о работе с cookie в Python — класс http.cookies
https://habr.com/ru/post/564620/?utm_campaign=564620&utm_source=habrahabr&utm_medium=rss

Модуль http.cookies реализует парсер для cookie, по большей части совместимый с RFC 2109 — документом со стандартами работы с cookie и смежными вещами.

Полиномиальная регрессия и метрики качества модели
https://habr.com/ru/post/571058/?utm_campaign=571058&utm_source=habrahabr&utm_medium=rss

Давайте разберемся на примере. Скажем, я хочу спрогнозировать зарплату специалиста по данным на основе количества лет опыта. Итак, моя целевая переменная (Y) — это зарплата, а независимая переменная (X) — опыт. У меня есть случайные данные по X и Y, и мы будем использовать линейную регрессию для прогнозирования заработной платы. Давайте использовать pandas и scikit-learn для загрузки данных и создания линейной модели.

pydantic-i18n - support an i18n for the pydantic error messages
https://github.com/boardpack/pydantic-i18n

Podcast.__init__: Delivering Deep Learning Powered Speech Recognition As A Service For Developers At AssemblyAI
https://www.pythonpodcast.com/assemblyai-deep-learning-speech-recognition-episode-326/

Audio

Test and Code: 162: Flavors of TDD
https://testandcode.com/162

Audio

Ансамблевые методы машинного обучения
https://habr.com/ru/post/571296/?utm_campaign=571296&utm_source=habrahabr&utm_medium=rss

Ансамблевые методы - это мощный инструмент для построения моделей машинного обучения. Команды, которые используют их в соревнованиях на kaggle, занимают победные места. Ансамбли позволяют увеличить точность модели до 90+, при этом они довольно просты в понимании.

Поэтому я решил осветить эту тему в данной статье и показать реализацию ансамблей с помощью scikit-learn.

Разбираемся с ChainMap из коллекций Python
https://habr.com/ru/post/570590/?utm_campaign=570590&utm_source=habrahabr&utm_medium=rss

Работая с несколькими словарями, иногда нужно сгруппировать их и управлять ими как единым словарём. В других ситуациях у вас есть словари, представляющие различные области видимости, контексты и, чтобы получить данные в определённом порядке или с определённым приоритетом, нужно работать с ними как с единым словарём.

Python⇒Speed: NumPy views: saving memory, leaking memory, and subtle bugs
https://pythonspeed.com/articles/numpy-memory-views/

Python Bytes: #245 Fire up your Python time machine (and test some code)
https://pythonbytes.fm/episodes/show/245/fire-up-your-python-time-machine-and-test-some-code

Audio

Спектральный анализ временных рядов с помощью python
https://habr.com/ru/post/571344/?utm_campaign=571344&utm_source=habrahabr&utm_medium=rss

С развитием информационных технологий профессия DS стала чрезвычайно популярна. Сейчас почти каждый может имея ПК и установленный на нем стандартный пакет Python, анализировать данные и строить на их основе прогнозы.
Во многих случаях достаточно просто скачать библиотеку для анализа данных, и получить неплохие результаты. При этом процессы, происходящие внутри используемых пользователем библиотек, остаются за пределами понимания, что зачастую влечет за собой неспособности поверхностного пользователя правильно интерпретировать полученные данные, особенно если это нейросеть.

Ускоряем код на Питоне с помощью расширений на Cи
https://habr.com/ru/post/571366/?utm_campaign=571366&utm_source=habrahabr&utm_medium=rss

Питон — простой, но мощный язык, который заслуженно стал одним из самых популярных. Тем не менее, иногда ему не хватает скорости статически типизированных языков с предварительной компиляцией, таких как Cи и Джава.

DataScience Digest — 05.08.21
https://habr.com/ru/post/571376/?utm_campaign=571376&utm_source=habrahabr&utm_medium=rss

Introduction to the QGraphics framework
https://www.pythonguis.com/tutorials/pyqt-qgraphics-vector-graphics/

#python #pydigest

Сборник Python новостей уже перед вами.

В выпуске Python Дайджест вы найдете:

- Автоматически генерируем стикеры для Телеграма из фото плакатов в интернет-магазине
- Разбираемся с ChainMap из коллекций Python
- Marshmallow vs. Pydantic: две лучшие библиотеки для сериализации и валидации данных
- BDD-тестирование чат-бота
- Ускоряем код на Питоне с помощью расширений на Cи
- Python⇒Speed: NumPy views: saving memory, leaking memory, and subtle bugs
- [Видео] Код, как наследие
- pydantic-i18n - support an i18n for the pydantic error messages
- Django bugfix release: 3.2.6

Заходите в гости - https://pythondigest.ru/issue/398/
Присылайте интересные новости через форму на сайте.

The Real Python Podcast – Episode #72: Starting With FastAPI and Examining Python's Import System
https://realpython.com/podcasts/rpp/72/

Python in Visual Studio Code – August 2021 Release
https://devblogs.microsoft.com/python/python-in-visual-studio-code-august-2021-release/

Асинхронность — в django
https://habr.com/ru/post/571700/?utm_campaign=571700&utm_source=habrahabr&utm_medium=rss

Да, эта статья о фреймворке для перфекционистов с дедлайнами и о том, как в нём не хватает асинхронности. По духу это больше похоже на Enhancement Proposal (менее формальный, чем он мог быть) или RFC, так что, если Вы любите подобные вещи, то Вам может быть интересно.

Weekly Python StackOverflow Report: (cclxxxvii) stackoverflow python report
http://python-weekly.blogspot.com/2021/08/cclxxxvii-stackoverflow-python-report.html

Автоматически генерируем стикеры для Телеграма из фото плакатов в интернет-магазине
https://habr.com/ru/post/571784/?utm_campaign=571784&utm_source=habrahabr&utm_medium=rss

В этой статье я расскажу, как я автоматически генерировал 42 стикера для Телеграма на основе изображений из интернет-магазина плакатов.