Собрали в одном месте самые важные ссылкии сделали Тренажер IT-инцидентов для DevOps/SRE
Где заканчивается слово и начинается образ? Использую Python для поиска особенностей творчества К.Г. Паустовского.
Дело было вечером, делать было нечего... Я, как и многие в IT, периодически просматриваю вакансии, чтобы держать руку на пульсе рынка. И знаете, что бросается в глаза? Огромное количество позиций "Аналитик данных". Хоть это и не моя основная специализация (я больше по ML), теоретическая база у меня есть. И вот я подумал: а как бы мне сделать интересный пет-проект в этой области, чтобы и навыки прокачать, и самому не заскучать?
Follow this Python project to build an MCP client that discovers MCP server capabilities and feeds an AI-powered chat with tool calls.
Хороший REPL для Python. Скачать можно по ссылке: https://pypi.python.org/pypi/ptpython/
Статья адресована двум категориям читателей: технологам и специалистам в области контроля и диагностики. Для первых - простая пошаговая инструкция табличного решения. Со вторыми мы попробуем в коде сделать то, что "зашито" в таблицах ГОСТа (ссылка на блокнот в конце статьи).
Python клиент для Redis. Скачать можно по ссылке: https://pypi.python.org/pypi/redis/
Критерием победы в задачах "Стековки" были не O(n), не микросекунды, а краткость кода, твёрдо измеренная в символах, что тоже по своему интересно. "Как написать решение используя минимальное число символов?".С одной стороны это были задания на компактный алгоритм, с другой стороны – на знания возможностей языка.
Как я взял готовый state-of-the-art RAG-прототип и превратил его в многофункциональную AI-платформу с помощью FastMCP и внешних интеграций.
В статье разбираются три практических способа интеграции C кода с Python для ускорения вычислений, а так же поясняется причина по которой не используется NumPy. Каждый метод рассматривается с примерами кода и бенчмарками. NumPy уже не в моде?
Утилита позволяющая измерить процент покрытия тестами. Скачать можно по ссылке: https://pypi.python.org/pypi/coverage/
В прошлый раз я уже рассказывала о том, как в ходе обучения в "Школе 21" создавала класс линейной регресии, на этот раз будем рассматривать реализацию LogisticRegression, GaussianNB, KNN. Как и в прошлый раз, минимум теории, максимум практики.
На последнем PyCon я рассказал про инструмент объединения sync и async кода. Однако в этом инструменте есть фича, которой в том докладе я уделил всего пару минут в самом конце, но вообще говоря, она требует сильно более обстоятельного разбора: суперфункции. Именно это я предлагаю сделать на данном митапе.
Есть такой жанр состязаний — CodeGolf, когда нужно написать максимально короткую программу. Python в этом жанре побеждает всех. Покажу по шагам как из обычной программы сделать короткую. Узнаем хитрости и трюки этого развлечения.
Доклад посвящён open source и сквозным процессам. Расскажу о том, как мы переросли классическую роботизацию, так и не купив платформу.
Гибкий фреймворк для написания web-пауков (парсеров). Скачать можно по ссылке: https://pypi.python.org/pypi/scrapy