Новый материал в ленте

Статический анализатор Python-кода. Скачать можно по ссылке: https://pypi.python.org/pypi/pylint/

Python Дайджест. Выпуск 232

(28.05.2018 - 03.06.2018)

поделиться выпуском

Статьи

Автоматическая визуализация python-кода. Часть третья: новые возможности графического представления кода

Ссылки на предыдущие части:

Часть первая — обсуждены блок-схемы, имеющиеся инструменты для работы с блок-схемами, а также все графические примитивы, необходимые для создания графического представления кода.
Часть вторая — обсуждены реализация ( выполнена, в основном, на Питоне) генерации графического представления кода, реализованная и планируемая функциональность, предлагаемый микро язык разметки.

Пример среды, поддерживающей такое графическое представление показан на картинке ниже.

Failamp - простой аудио-видео проигрыватель на PyQt

Разбираемся с Elasticsearch + Python

Калибровка камеры Intel RealSense d435 с помощью OpenCV2 и ROS

Хочу поделиться опытом работы с камерой Intel RealSense, модель d435. Как известно, многие алгоритмы машинного зрения требуют предварительной калибровки камеры. Так уж получилось, что мы на нашем проекте используем ROS для сборки отдельных компонентов автоматизированной интеллигентной системы. Однако, проштудировав русскоязычный интернет, я не обнаружил каких-либо толковых туториалов на эту тему. Данная публикация призвана восполнить этот пробел.

ConvNets. Создание прототипа проекта с помощью Mask R-CNN

Мы, наконец, дождались еще одной части серии материалов от выпускника наших программ “Специалист по большим данным” и “Deep Learning”, Кирилла Данилюка, об использовании популярных на сегодняшний день нейронных сетей Mask R-CNN как части системы для классификации изображений, а именно оценки качества приготовленного блюда по набору данных с сенсоров.

Рассмотрев в предыдущей статье игрушечный набор данных, состоящий из изображений дорожных знаков, теперь мы можем перейти к решению задачи, с которой я столкнулся в реальной жизни: «Возможно ли реализовать Deep Learning алгоритм, который мог бы отличить блюда высокого качества от плохих блюд по одной фотографии?». Вкратце, бизнес хотел вот это:

Создание окон на PyQt5

Django разработка с Docker — Testing, Continuous Integration и Docker Hub

Введение в Python Coding Style

PyCharm: Hotfix для старых версий PyCharm для совместимости с PyPI

Использование Tor браузера с Selenium

A game of tokens: пишем интерпретатор на Python с TDD - часть 4

Фильтрация Django Queryset с Many-to-many связями

itertools в Python 3, на примере

Советы по Python: for/else

Разбираемся как реализовать символную RNN модель для языка

Python 3 для тех, кто ещё в раздумии

Если вы всё ещё думаете на тему нужен ли Python 3, вот вам ещё один аргумент.

Машинное обучение и экструдер полипропилена: история 3 места на хакатоне Сибура

Хакатон "Цифровой завод", организованный Сибуром и AI Community, состоялся на прошлых выходных. Одна из двух задач хакатона была на тему predictive maintenance — нужно было предсказывать проблемы в работе экструдера. Её мы и решили. Рассказ сосредоточен в основном на data science'ной части решения, и о том, как нам удалось научиться неплохо прогнозировать довольно редкие события.

14 наиболее известных библиотек и фреймворков

A game of tokens: solution - Part 4

Appium Python Client

Appium - инструмент автоматизации мобильных приложений

Как установить Tensorflow GPU с CUDA 9.2 на Ubuntu

Ubuntu 18.04: как установить OpenCV

Вопросы и обсуждения

StackOverflow: интересные вопросы за неделю (cxxviii)

Talk Python to Me: #164 Python in Brain Research at the Paul Allen Institute

Аудио-подкаст

Выбор выступления для перевода и озвучивания 2018

К голосованию приглашаются все желающие. Голосуйте сами, зовите друзей.

Видео

Trio: Async concurrency for mere mortals

Конкурентные программы весьма полезны: в веб-приложениях, обслуживающих запросы и вебсокет-подключения; чат-боты, участвующие во множестве обсуждений одновременно; пауки, собирающие данные сразу с нескольких страниц. А вот писать конкурентные приложения непросто — они пугают новичков и бросают вызов бывалым.
Но так ли должно быть? Питон известен своей простотой и однозначностью; может ли он привнести в конкурентное программирование эти черты? Думаю, да.

Тщательно изучив промахи других библиотек, и воспользовавшись новыми возможностями Python 3, я создал новый набор примитивов, позволяющих существенно облегчить написание правильных конкурентных программ, и оформил их в новую библиотеку под названием Trio.

В своём выступлении я расскажу об этих примитивах, а также продемонстрирую, как они могут быть использованы для реализации незамысловатого алгоритма, позволяющего ускорить TCP подключения. В сравнении с лучшими предшествующими реализациями в Питоне, наш код получится более понятным, правильно выполняемым и много более коротким.

Выступление предполагает наличие базовых знаний о Питоне, но не требует какого-либо опыта в конкурентности, async/await или сетевом программировании.

Big-O: How Code Slows as Data Grows

«О большая» в информатике является инструментом для анализа производительности кода в ходе роста объёма данных.
Для практикующего программиста это весьма удобный инструмент, который, однако же, зачастую, обвешивают множеством отталкивающих математических деталей.

Из этого выступления вы узнаете всё, что вам нужно знать о большой О и о том, как ею пользоваться, чтобы ваши приложения отлично работали. «О большая» поможет вам выбирать структуры данных и алгоритмы так, чтобы ваш код эффективно справлялся даже с большими объёмами данных.

Чтобы понять «О» вам не нужно быть ботаном от теоретической информатики. Она не так загадочна, как кажется. Она окружена математическими препонами, но не потребует от вас ничего кроме здравого смысла, чтобы позволить понять, как поведёт себя код в ходе исполнения.

Type-checked Python in the real world

Слышали про аннотации типов в Питоне, но не знаете насколько они полезны? Беспокоитесь, что кода слишком много и не можете себе позволить его аннотировать?
Проверка типов в Питоне существует, она не миф, она может помочь вам в отлове ошибок и сделать ваш код проще для понимания.
И сейчас мы поделимся с вами своим опытом поэтапной типизации реального приложения на миллион строк!

Проверка типов позволяет решать реальные проблемы в действующих системах. Поговорим о том, как работает проверка, о её плюсах, о том, как внедрять её поэтапно в ваши боевые приложения, а также о том, как измерить выгоду и избежать частых проблем.

Мы даже продемонстрируем, как проверка типов может сочетаться с утиной типизацией! Готовьтесь окунуться в проверку типов в Питоне.

Python Meetup Chelyabinsk #3

A Bit about Bytes: Understanding Python Bytecode

Рано или поздно любой питонист сталкивается с файлами байткода Питона — теми самыми .pyc файлами, которые Питон любит оставлять за собой после запуска.

А вы когда-либо задавались вопросом, о том как работает, то что у них внутри?
Перестаньте задаваться — из этого выступления вы узнаете не только о том, что такое байткод Питона и как он используется для выполнения вашего кода, но и научитесь расшифровывать и читать его так, чтобы можно было оценить его производительность.

Building a cross-platform native app with BeeWare

Хотели ли вы написать приложение с графическим интерфейсом для своего ноутбука? А как на счёт телефона? Это всегда была задача трудно решаемая Питоном, и нерешаемая без знания различных программных интерфейсов на разных платформах. Но не теперь.

BeeWare — набор инструментов и библиотек, позволяющий создавать кроссплатформенные приложения с родным графическим интерфейсом для настольных, мобильных и веб платформ на чистом Питоне.

Это выступление познакомит вас с инструментарием BeeWare, и поможет разобраться в том, как вы можете использовать его для того, чтобы с нуля создать программу ChatBot, которое можно будет запустить как самостоятельное приложение и на компьютере, и на телефоне, и как одностраничное веб-приложение, при этом используя единую кодовую базу.

Dataclasses: The code generator to end all code generators

Модуль dataclasses, описанный в PEP 557, доступен в Питоне начиная с версии 3.7. Скоро он станет важным инструментом для каждого питониста.

Из этого выступления вы узнаете о задачах, которые решает модуль, о применённых в нём архитектурных решениях. Будут и примеры его использования.

Классы данных представляются очередным шагом в развитии инструментов для работы с данными: кортежи, словари, обычные классы, классы-пачки, именованные кортежи, records, attrs и, наконец, классы данных. Каждый из инструментов базируется на предшественнике, добавляя выразительность в обмен на сложность.

Классы данных уникальны в плане того, что позволяют не только выборочно включать и отключать некоторые аспекты, но также выбирать место хранения данных (словарь объекта, слоты, наследуемый базовый класс).

И классы данных и typing.NamedTuple используют аннотации переменных, введённые в Python 3.6.