Первый чемпионат по машинному обучению в девелопменте

PEP-572: синтаксис := принят

ПО для машинного обучения на Python

Сегодня существует большое количество программных инструментов для создания моделей Machine Learning. Первые такие инструменты формировались в среде ученых и статистиков, где популярны языки R и Python, исторически сложились экосистемы для обработки, анализа и визуализации данных именно на этих языках, хотя определенные библиотеки машинного обучения есть и для Java, Lua, С++. При этом интерпретируемые языки программирования существенно медленнее компилируемых, поэтому на интерпретируемом языке описывают подготовку данных и структуру моделей, а основные вычисления проводят на компилируемом языке.

В данном посте мы расскажем преимущественно о библиотеках, имеющих реализацию на Python, поскольку этот язык обладает большим количеством пакетов для интеграции в разного рода сервисы и системы, а также для написания различных информационных систем. Материал содержит общее описание известных библиотек и будет полезен прежде всего тем, кто начинает изучать область ML и хочет примерно понимать, где искать реализации тех или иных методов.
 

Почему Python - лучший язык для FinTech

Насколько open-source экосистема R хороша для решения бизнес-задач?

Поводом для публикации послужила запись в блоге Rstudio: «Shiny 1.1.0: Scaling Shiny with async», которая может очень легко пройти мимо, но которая добавляет очень весомый кирпичик в задаче применения R для задач бизнеса. На самом деле, в dev версии shiny асинхронность появилась примерно год назад, но это было как бы несерьезно и «понарошку» — это же dev версия. Перенос в основную ветку и публикация на CRAN является важным подтверждением, что многие принципиальные вопросы продуманы, решены и протестированы, можно спокойно переносить в продуктив и пользоваться.

А что еще есть в R, кроме «бриллианта», что позволяет превратить его в универсальный аналитический инструмент для практических задач?

Рисуем гистограммы с помощью NumPy, Matplotlib, Pandas и Seaborn

Zato 3.0

Автоматизация Windows приложений с помощью COM

Dependency Injector 3.12.1

Сортировки вставками

Общая суть сортировок вставками такова: Перебираются элементы в неотсортированной части массива. Каждый элемент вставляется в отсортированную часть массива на то место, где он должен находиться. Траффик

Как установить Anaconda на Ubuntu 16.04

Django bugfix releases: 2.0.7 и 1.11.14

pymongo - 3.8.0

Python интерфейс для MongoDB. Изменения описаны по ссылке https://allmychanges.com/p/python/pymongo/#3.8.0. Скачать можно по ссылке: http://pypi.python.org/pypi/pymongo/

T2F - генерируем из текста фото лица

noisy - Simple random DNS, HTTP/S internet traffic noise generator

Открытый вебинар для всех ценителей Python.

3 июля, в 20:00 по мск, Илья Лебедев, преподаватель курса «Web-разработчик на Python» и старший разработчик в Itcanfy и Ngenix, для всех ценителей Python проведет бесплатное практическое занятие «Пишем свою библиотеку для работы с xlsx файлами».

Вы посмотрите, как устроен формат xlsx, как с ним работать без специализированных библиотек, вроде openpyxl и напишете свою аналогичную библиотеку с набором нужных на практике функций.
Вебинар можно просто смотреть, но лучше - писать код всем вместе. Для этого потребуется третий Python, пустое виртуальное окружение и ваша любимая IDE.

Подключайтесь - будет интересно и профессионально.

Введение в Data classes

Одна из новых возможностей, появившихся в Python 3.7 — классы данных (Data classes). Они призваны автоматизировать генерацию кода классов, которые используются для хранения данных. Не смотря на то, что они используют другие механизмы работы, их можно сравнить с "изменяемыми именованными кортежами со значениями по-умолчанию".

Fast Python. В поисках медленного кода при помощи стандартного профайлера

Информация о банках от ЦБ РФ — анонс pycbrf 0.2.1

О новой версии приложения, позволяющего получать информацию от Центрального банка РФ в Python.

StackOverflow: интересные вопросы за неделю (cxxxii)