Как профилировать Django views
https://rock-it.pl/how-to-profile-django-views/

16 митап нижегородского Python-сообщества rannts
https://rannts.ru/meetups/16/

20 мая в гостинице IBIS пройдет весенний митап нижегородского Python-сообщества, уже 16-ый. Весенний, расслабленный; последний сбор перед летом: 4 доклада, всякий разный свэг и немножко подарков.
Кроме того, пройдут lightning talks, так что все закончится несколько позже официальной программы.

Stegano - стеганографический модуль
https://github.com/cedricbonhomme/Stegano

Метрики в задачах машинного обучения
https://habrahabr.ru/post/328372/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

В задачах машинного обучения для оценки качества моделей и сравнения различных алгоритмов используются метрики, а их выбор и анализ — непременная часть работы датасатаниста.
В этой статье мы рассмотрим некоторые критерии качества в задачах классификации, обсудим, что является важным при выборе метрики и что может пойти не так.

Наибыстрейшая Redis конфигурация для Django
https://www.peterbe.com/plog/fastest-redis-optimization-for-django

10 основных ошибок, совершаемых Django-разработчиками
https://habrahabr.ru/post/328352/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

В этом руководстве мы рассмотрим основные ошибки Django-разработчиков и узнаем, как их избежать. Статья может быть полезна даже опытным разработчикам, потому что и они совершают такие ошибки, как поддержка неподъёмно больших настроек или конфликтов имён в статических ресурсах.

Keras шпаргалка: Neural Networks в Python
http://www.datacamp.com/community/blog/keras-cheat-sheet

Nikola v7.8.5
https://getnikola.com/blog/nikola-v785-is-out.html

Как опубликовать пакет на PyPI
http://feedproxy.google.com/~r/Pycharm/~3/hRVefM5XWjc/

PyCharm: PyCharm 2017.1.3 RC 2
http://feedproxy.google.com/~r/Pycharm/~3/2kC9n0N8pz8/

ensurepip — установщик менеджера пакетов— PyMOTW 3
https://doughellmann.com/blog/2017/05/08/ensurepip-install-the-python-package-installer-pymotw-3/

Talk Python to Me: #111 Советы по карьере в Python и многое другое
https://talkpython.fm/episodes/show/111/pythonic-career-advice-and-more

В Visual Studio 2017 добавлена поддержка Python и Django
https://www.visualstudio.com/vs/python/

#python #pydigest

У-ру-ру, вкусненькое из мира Python подоспело. Все самое интересное и актуальное за неделю в Python Дайджесте.

> Кстати, за нами можно следить через Telegram/Twitter/RSS/Email

В 177 выпуске дайджеста вы найдете:

- 16 митап нижегородского Python-сообщества rannts
- Определяем сонливость с помощью OpenCV
- Прокачиваем Sublime Text до Python IDE
- Нейрокурятник ч.0. Или нейро- без курятника
- Давайте напишем простой интерпретатор. Часть 14
- PyTorch Tutorial
- Persimmon - визуальный интерфейс для sklearn
- scanless - сканер открытых портов
- PyCharm: PyCharm 2017.1.3 RC 2

и еще много интересного

Заходите в гости - https://pythondigest.ru/issue/177/

Модель ПИД регулятора на Python
https://habrahabr.ru/post/328608/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Моделированию работы ПИД регулятора посвящено большое количество публикаций в сети. Лидирует проектирование моделей ПИД регулятора с применением Matlab Simulink [1,2] (134 миллиона ссылок в yandex). Сам процесс создания модели какой-то однообразный. В модель переносят всё новые и новые блоки. Одно движение ручного манипулятора и нате вам ПИД контролер, ещё одно и вот передаточная функция объекта. Соединяешь блоки, настраиваешь параметры, готовишь вычислитель. Да, возможностей много, но как-то слишком всё искусственно. И уже становится совсем непонятным к чему тут дифференциальные уравнения, методы их решения и то операционное исчисление, которым долго морочили голову. Ищу реализацию ПИД в Mathcad, тут ссылок в том же yandex, поменьше, всего то 81 миллион, а математики и формул побольше. Рассматриваю пример ПИД, поставляемый вместе с пакетом Mathcad 14. 

Проблемы современного Data Science
https://habrahabr.ru/post/328556/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

В последнее время все чаще приходится наблюдать, что ожидания работодателей и потенциальных ученых по данными сильно отличаются. Компания, инвестируя в новые разработки в первую очередь ждет возврат на инвестиции, а не очередную модель. Специалист же, окончивший всевозможные курсы ждет на вход чистые и понятные данные, а на выходе хотел бы отдать модель прикрепив к ней метрики качества. А дальше «пусть менеджеры разбираются», как это все будет встроено в процесс и как именно полученная модель будет использоваться. В результате возникает пропасть и непонимание между бизнесом и учеными.


По факту оказывается, что модели сами по себе никому не нужны, а на деле приходится заниматься очень большим количеством рутинных задач.


Хотелось бы на обобщенных примерах (все совпадения с реальной жизнью случайны) показать, какие же на самом деле трудности приходится преодолевать, чтобы принести работодателю деньги. Наверное, после этого в аналитику данных люди будут идти более осознанно, попутно получая нужные для работы навыки, а не изучая очередную статью про алгоритм.

Пишем проверку состояния Django проекта для Kubernetes
http://www.ianlewis.org/en/kubernetes-health-checks-django

О том, как в Instagram отключили сборщик мусора Python и начали жить
https://habrahabr.ru/post/328404/?utm_source=habrahabr&utm_medium=rss&utm_campaign=hub

Отключив сборщик мусора Python (GC), который освобождает память, отслеживая и удаляя неиспользуемые данные, Instagram стал работать на 10% быстрее. Да-да, вы не ослышались! Отключив сборщик мусора, можно сократить объем потребляемой памяти и повысить эффективность работы кэша процессора. Хотите узнать, почему так происходит? Тогда пристегните ремни!

gzip — Read and Write GNU zip Files — PyMOTW 3
https://doughellmann.com/blog/2017/05/15/gzip-read-and-write-gnu-zip-files-pymotw-3/

Решаем проблемы установки OpenCV на macOS
http://www.pyimagesearch.com/2017/05/15/resolving-macos-opencv-homebrew-install-errors/