quilt - менеджер пакетов Данных
http://github.com/quiltdata/quilt

Data Science: Производительность Python vs. Pandas vs. Numpy
http://machinelearningexp.com/data-science-performance-of-python-vs-pandas-vs-numpy/

Сравнение обработки данных на чистом Python/Numpy/Pandas

Универсальная Jinja: безумная идея реализаци Front-end
https://whatisjasongoldstein.com/writing/universal-jinja/

Статья описывает использование Jinja на Front-end

Метод BFGS или один из самых эффективных методов оптимизации. Пример реализации на Python
https://habrahabr.ru/post/333356/



Метод BFGS, итерационный метод численной оптимизации, назван в честь его исследователей: Broyden, Fletcher, Goldfarb, Shanno. Относится к классу так называемых квазиньютоновских методов. В отличие от ньютоновских методов в квазиньютоновских не вычисляется напрямую гессиан функции, т.е. нет необходимости находить частные производные второго порядка. Вместо этого гессиан вычисляется приближенно, исходя из сделанных до этого шагов.

#python #pydigest

Перед вами свежая порция новостей из мира Python - новый Python Дайджест.

В 186 выпуске вы найдете:

- Как мы упоролись и откалибровали кофе-машину на спектрофотометре
- Как мы ловим Deadlock`и на PostgreSQL и чиним их
- FAT Python: новая глава в оптимизации Python
- Как начать свою карьеру в data science
- Автоматизируем десктопный GUI на Python + pywinauto: как подружиться c MS UI Automation
- Talk Python to Me: #120 Python в финансах
- Podcast.__init__ Episode 117 - NAPALM с David Barroso и Mircea Ulinic
- foolbox - обманываем свои нейронные сети
- dota2-predictor - предсказываем исход игры в Dota
- django-eraserhead - определяем как улучшить работу с БД
- PyCharm 2017.1.5

и еще много интересного

Заходите в гости - https://pythondigest.ru/issue/186/

lip-reading-deeplearning -  Cross Audio-Visual Recognition using 3D Convolutional Neural Networks
http://github.com/astorfi/3D-convolutional-Audio-Visual

Использование нейронных сетей для распознавания рукописных цифр Часть 1
https://habrahabr.ru/post/333492/

Человеческая визуальная система — одна из самых удивительных на свете. В каждом полушарии нашего мозга есть зрительная кора, содержащая 140 млн. нейронов с десятками млрд. связей между ними, но такая кора не одна, их несколько, и вместе они образуют настоящий суперкомпьютер в нашей голове, лучшим образом адаптированный в ходе эволюции под восприятие визуальной составляющей нашего мира. Но трудность распознавания визуальных образов становится очевидной, если вы попытаетесь написать программу для распознавания, скажем, рукописных цифр.

Чудесный мир Word Embeddings: какие они бывают и зачем нужны?
https://habrahabr.ru/post/329410/

Начать стоит от печки, то есть с постановки задачи. Откуда берется сама задача word embedding?

Лирическое отступление: К сожалению, русскоязычное сообщество еще не выработало единого термина для этого понятия, поэтому мы будем использовать англоязычный.

Сам по себе embedding — это сопоставление произвольной сущности (например, узла в графе или кусочка картинки) некоторому вектору.

Машинное обучение и поиск темной материи: соревнование от ЦЕРНа и Яндекса
https://habrahabr.ru/post/333490/

Сегодня в рамках школы начинается открытое соревнование, участники которого будут ни много ни мало искать нейтрино (https://en.wikipedia.org/wiki/Neutrino). Принять участие в поисках мы приглашаем всех желающих. Им предстоит обрабатывать данные с международного эксперимента OPERA (https://en.wikipedia.org/wiki/OPERA_experiment). Для этого будут предоставлены исходные данные — результаты сканирования слоев фотопленок одного «кирпича» эксперимента OPERA. Соревнование состоит из двух этапов. На первом этапе участники будут искать отдельный ливень в «кирпиче», первая вершина которого известна, на втором — несколько ливней, рассредоточенных по объему «кирпича» без дополнительной информации. Победители смогут рассказать о своих решениях ученым, работающим в ЦЕРНе.

Книга «Автостопом по Python»
https://habrahabr.ru/post/333498/

Мы издали книгу, составленную на основе одноименного онлайнового руководства (http://docs.python-guide.org/en/latest/) и содержащую наработки многочисленных профессионалов и энтузиастов, знающих, что такое Python и чего вы от него хотите.

Создание своего первого Flask приложения
https://pythonlite.com/article/flask/sozdanie-tvoego-pervogo-flask-prilozheniya

В статье подробно разобран процесс создания первого приложения на Flask и Python

Электронная демократия или как собрать и обработать данные по голосованию (и явке) за реновацию в Москве
https://habrahabr.ru/post/333540/

Стоило голосованию за вход или выход из программы реновации завершиться — и с сайта мэра Москвы почему-то пропали данные о явке по каждому конкретному дому, остались только голоса за и против в целом. В новостях, конечно, пишут некие цифры, но ведь хочется посмотреть их самому, поиграться со статистикой, построить графики, не правда ли? 

Разработка скриптов-обёрток с помощью инструмента Sparrow
https://habrahabr.ru/post/333410/

В данном посте я хочу рассказать как с помощью инструмента Sparrow (https://github.com/melezhik/sparrow) лёгко и просто писать собственные обёртки к существующим скриптам и утилитам, а так же зачем вам это может понадобиться.

QML: как легко получать футболки в конкурсах mail.ru по машинному обучению
https://habrahabr.ru/post/333554/

В субботу завершился месячный конкурс по машинному обучению от mail.ru ML bootcamp 5 (http://mlbootcamp.ru/round/12/sandbox/). я занял в нем 14ое место (http://mlbootcamp.ru/round/12/rating/). Это уже третий мой конкурс, в котором я выиграл одежду и за время участия у меня сформировался фреймворк (https://github.com/quantum13/qml) (который я, недолго думая, назвал QML, сокращение от ника и machine learning) для помощи в подборе решения в подобных соревнованиях. На примере решения ML bootcamp 5 я опишу как им пользоваться.

pyrebox -Python scriptable Reverse Engineering sandbox
http://github.com/Cisco-Talos/pyrebox

Яндекс открывает технологию машинного обучения CatBoost
https://habrahabr.ru/post/333522/

Яндекс выложил в open source собственную библиотеку CatBoost, разработанную с учетом многолетнего опыта компании в области машинного обучения. С ее помощью можно эффективно обучать модели на разнородных данных, в том числе таких, которые трудно представить в виде чисел (например, виды облаков или категории товаров). Исходный код, документация, бенчмарки и необходимые инструменты уже опубликованы на GitHub (https://github.com/catboost/catboost) под лицензией Apache 2.0.

PyCharm: PyCharm 2017.2 EAP 7
http://feedproxy.google.com/~r/Pycharm/~3/0bLXkmzJ86Q/

math — Mathematical Functions — PyMOTW 3
http://feeds.doughellmann.com/~r/doughellmann/python/~3/fMrxBilPjkQ/

Python 3.6.2
http://feedproxy.google.com/~r/PythonInsider/~3/xgmAIcE1Wes/python-362-is-now-available.html

StackOverflow: интересные вопросы за неделю (lxxxii)
http://python-weekly.blogspot.com/2017/07/lxxxii-stackoverflow-python-report.html