IT-новости про Python, которые стоит знать

Собрали в одном месте самые важные ссылки
и сделали Тренажер IT-инцидентов для DevOps/SRE

     21.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи
     21.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи
     21.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Релизы
     21.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи

[Перевод] Программирование с PyUSB 1.0

PyUSB 1.0 — это библиотека Python обеспечивающая легкий доступ к USB. PyUSB предоставляет различные функции

     20.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи
     20.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи

Нагрузочное тестирование с locust

Нагрузочное тестирование не так сильно востребовано и распространено, как иные виды тестирования — инструментов, позволяющих, провести такое тестирование, не так много а простых и удобных вообще можно пересчитать на пальцах одной руки.

Когда речь заходить о тестировании производительности — в первую очередь все думают о JMeter’е — он бесспорно остается самым известным инструментом с самым большим количеством плагинов. Мне же JMeter никогда не нравился из-за неочевидного интерфейса и высокого порога вхождения, как только возникает необходимость протестировать не Hello World приложение.

И вот, окрыленный успехом проведения тестирования в двух различных проектах, решил поделится информацией об относительно простом и удобном софте — Locust

     19.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи
     19.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Релизы
     19.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Статьи
     19.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Вопросы и обсуждения
     19.11.2018       Выпуск 257 (19.11.2018 - 25.11.2018)       Вопросы и обсуждения

Podcast.__init__ 186

Аудио-подкаст

     18.11.2018       Выпуск 256 (12.11.2018 - 18.11.2018)       Статьи

VotingClassifier в sсikit-learn: построение и оптимизация ансамбля моделей классификации

В рамках реализации большой задачи по Sentiment Analysis (анализ отзывов) я решил уделить некоторое время дополнительному изучению её отдельного элемента — использованию VotingClassifier из модуля sklearn.ensemble как инструмента для построения ансамбля моделей классификации и повышению итогового качества предсказаний. Почему это важно и какие есть нюансы?