CardIO - библиотека для исследования сигналов серца
https://github.com/analysiscenter/cardio

Развитие стратегий устойчивости
https://habrahabr.ru/post/343008/

В предыдущей статье (http://blog.otoro.net/2017/10/29/visual-evolution-strategies/) я описал несколько алгоритмов эволюционных стратегий (evolution strategies, ES), помогающих оптимизировать параметры функции без необходимости явно вычислять градиенты. При решении задач обучения с подкреплением (reinforcement learning, RL) эти алгоритмы можно применять для поиска подходящих наборов параметров модели для агента нейросети (neural network agent). В этой статье я расскажу об использовании ES в некоторых RL-задачах, а также опишу методы поиска более стабильных и устойчивых политик.

Ускорение unit тестов Django: SQLite, keepdb и /dev/shm
http://www.obeythetestinggoat.com/speeding-up-django-unit-tests-with-sqlite-keepdb-and-devshm.html

[Видео] Строим Feed Reader на Python (части 4-6)
http://davywybiral.blogspot.com/2017/11/build-feed-reader-in-python-parts-4-6.html

pregel - Tensorflow реализация Graph Convolutional Network
http://github.com/shagunsodhani/pregel

StackOverflow: интересные вопросы за неделю (ci)
http://python-weekly.blogspot.com/2017/11/ci-stackoverflow-python-report.html

«Пишите письма…» или тренируемся работать с данными по обращениям граждан в правительство Москвы (DataScience)
https://habrahabr.ru/post/343216/

Приветствую коллеги! Пришло время продолжить наш спонтанный мини цикл статей, посвящённый основам машинного обучения и анализа данных. 

В прошлый раз (https://habrahabr.ru/post/340698/) мы разбирали с Вами задачку применения линейной регрессии к открытым данным правительства Москвы, а в этот раз данные тоже открыты, но их уже пришлось собирать вручную. 


Итак, сегодня мы с Вами поднимем животрепещущую тему – обращения граждан в органы исполнительной власти Москвы, нас с вами сегодня ждет: краткое описание набора данных, примитивный анализ данных, применение к ним модели линейной регрессии, а также краткая отсылка к учебным курсам для тех, кто совсем ничего не поймет из материала статьи. Ну и конечно же останется пространство для самостоятельного творчества.


Напомню, что наша статья рассчитана в первую очередь на начинающих любителей Python и его распространённых библиотек из области DataScience. Готовы? Тогда, милости прошу под кат.

#python #pydigest

Свежая порция Python новостей перед вами.

В 205 выпуске Python Дайджеста вы найдете:

- Используем Machine Learning для предсказания погоды: часть 2
- Машинное обучение своими руками (часть 2)
-- Сервис для классификации обращений в тех. поддержку
- RNN: учим нейронную сеть писать как Лев Толстой
- Profiling CPython at Instagram
- Анализ 1000+ греческих вин
- Шум Перлина
- Как сделать свой блокчейн. Часть 1
- ActivityWatch - автоматический time-tracker
- olympus - REST API для AI
- state_machine - State Machine for humans
- cbox - превращаем python функцию в unix команду


и еще много интересного

Заходите в гости - https://pythondigest.ru/issue/205/

quart - asyncio framework аля Flask
https://github.com/pgjones/quart

ScadaPy сервер JSON
https://habrahabr.ru/post/343302/

В продолжение предыдущих статей о применении python для построения собственной scada системы, хотелось бы описать способ организации обмена между устройствами и вывод данных посредством json — текстового формата обмена данными.


В данном случае будем использовать клиентские части modbusTCP и OPCUA библиотек.

В итоге у нас получится http сервер, работающий в качестве master для подчиненных устройств, которые в свою очередь работают в режиме slave.

logging — Report Status, Error, and Informational Messages — PyMOTW 3
https://doughellmann.com/blog/2017/11/27/logging-report-status-error-and-informational-messages-pymotw-3/

Как научить нейросеть придумывать названия российских населенных пунктов
https://habrahabr.ru/post/343336/

Всем привет, меня зовут Илья, я занимаюсь компьютационной биологией и биохимией, в свободное время я заставляю нейросети страдать ерундой.
Основываясь на аналогичных проектах (названия британских деревень (https://medium.com/@hondanhon/i-trained-a-neural-net-to-generate-british-placenames-9460e907e4e9), названия мест в Орегоне (https://www.onfocus.com/2017/07/7077/fake-oregon-placenames), названия различных цветов и их RGB (http://aiweirdness.com/post/160776374467/new-paint-colors-invented-by-neural-network)), я решил научить нейросеть создавать названия несуществующих населенных пунктов
В качестве нейросети я решил воспользоваться torch-rnn (https://github.com/jcjohnson/torch-rnn), которую достаточно легко установить и настроить. Список городов и сел я нашел тут (https://maps.vlasenko.net/list/russia/) (можно скачать все в формате csv). С csv пришлось немного повозиться, чтобы привести ее к utf-8, после чего я запихнул ее в нейросеть и оставил на пару часов. Когда тренировка модели закончилась я взял небольшой сампл и получил следующий результат:

[Видео] Сергей Пронин (CTO @ App in the Air) - Python & Google Cloud Platform
https://www.youtube.com/watch?v=g76rV2KQVkg

В рамках доклада расскажу про шестилетний опыт работы на Python с AppEngine и Google Cloud Platform. 

Отличие сервисов, вариантов хранения данных, интеграция между ними; использование Google APIs. 

Плюсы / минусы / подводные камни, сравнение с другими облачными платформами. 

Другими словами, «Как за 6 лет вырастить стартап с нуля до трех миллионов пользователей, не думая о scaling-е»


Слайды: https://conf.python.ru/python-google-cloud-platform/

[Видео] Александр Швец (CTO @ Marilyn) - Как взбодрить грустную панду? Используем Pandas в Production
https://www.youtube.com/watch?v=n2x8d0fkdnE

Последние 7 лет я активно занимаюсь разработкой в области AdTech, а это всегда работа с данными, порой очень и очень большими. Также я читаю курс в Нетологии, посвященный исследованию данных на Python. На Moscow Python Conf я хочу поделиться с вами практикой промышленного использования Pandas и чем она отличается от теории. Ведь существует мнение, что Pandas предназначен только для исследовательских задач или для того, чтобы что-нибудь быстро прикинуть на коленке, так как он медленный и неповоротливый. Однако мы на своем опыте убедились, что Pandas можно и нужно использовать в бою, если вы работаете с большим количеством данных. В докладе я расскажу про оптимизацию Pandas для быстрой обработки больших массивов данных
Слайды: https://conf.python.ru/kak-vzbodrit-grustnuyu-pandu-ispolzuem-pandas-v-production/

[Видео] Александр Ковалёв - Построение распределённых Django систем
https://www.youtube.com/watch?v=figtQDdb0LE

Занимаюсь разработкой почти 25 лет. Последние 4 года пишу backend и утилиты на Python. В докладе расскажу, из чего можно построить сеть однотипных веб-сайтов с централизованным управлением пользователями и публикуемыми материалами. Как обычно, пишем максимально абстрактный код, чтобы избежать постоянного переписывания кода и "допиливания" под каждый сайт. Я рассмотрю выбранный и отвергнутый инструментарий (Django, Redis, RabbitMQ, Celery, Docker), подход к синхронизации данных, вспомню про любимые аббревиатуры DRY и MVP и расскажу про некоторые ошибки и недоработки. Постараюсь успеть рассказать про deploy


Слайды: https://conf.python.ru/distributed-django/

[Видео] Артём Малышев (Software Engineer @ Advance) - HTTP/2 глазами потребителя
https://www.youtube.com/watch?v=MfG9pvd1myg

Протокол HTTP/2 поддерживается всеми современными браузерами. Google performance team пропагандирует его адаптацию. Всё больше известных сайтов начинают предоставлять его поддержку наравне с обычным HTTP. Доклад о том, зачем нам это всё надо, какие преимущества в целом даёт и как это готовить в питоне. Да, про Django тоже будет


Слайды: https://conf.python.ru/http2-glazami-potrebitelya/

[Видео] Александр Карпинский - Работа с изображениями на Python в 2017 году
https://www.youtube.com/watch?v=CZ99Q0DQq3Y

Я работаю в компании Uploadcare и занимаюсь сервисом высокопроизводительной модификации изображений на лету. Некоторое время назад сделал ряд полезных изменений в популярной библиотеке для работы с изображениями Pillow. Параллельно развиваю свой форк Pillow-SIMD, нацеленный на максимальную производительность. 

В докладе я расскажу, как наиболее эффективно можно решать задачи обработки изображений в современном Питоне. Какие есть инструменты, какие могут быть подводные камни. Поделюсь собственным опытом и наработками


Слайды: https://conf.python.ru/rabota-s-izobrazheniyami-na-python-v-2017-godu/

Классификация звуков с помощью TensorFlow
https://habrahabr.ru/post/343464/

Для распознавания человеческой речи придумано множество сервисов — достаточно вспомнить Pocketsphinx или Google Speech API. Они способны довольно качественно преобразовать в печатный текст фразы, записанные в виде звукового файла. Но ни одно из этих приложений не может сортировать разные звуки, захваченные микрофоном. Что именно было записано: человеческая речь, крики животных или музыка? Мы столкнулись с необходимостью ответить на этот вопрос. И решили создать пробные проекты для классификации звуков с помощью алгоритмов машинного обучения. В статье описано, какие инструменты мы выбрали, с какими проблемами столкнулись, как обучали модель для TensorFlow, и как запустить наше решение с открытым исходным кодом. Также мы можем загружать результаты распознавания на IoT-платформу DeviceHive (https://devicehive.com/), чтобы использовать их в облачных сервисах для сторонних приложений.

PyCharm 2017.3
http://feedproxy.google.com/~r/Pycharm/~3/Ur0MrK7Pf2o/

open-event-server - The Open Event Organizer Server to Manage Events
http://github.com/fossasia/open-event-server