sumeval - text summarization для разных языков
http://github.com/chakki-works/sumeval

sched — Timed Event Scheduler — PyMOTW 3
https://doughellmann.com/blog/2017/12/04/sched-timed-event-scheduler-pymotw-3/

Как собрать dataset для обучения используя Google Images
https://www.pyimagesearch.com/2017/12/04/how-to-create-a-deep-learning-dataset-using-google-images/

Как я написал приложение, которое за 15 минут делало тоже самое, что и регулярное выражение за 5 дней
https://habrahabr.ru/post/343116/

Не так давно столкнулся с проблемой поиска набора слов в большом тексте. Разумеется главной проблемой стала производительность. Поиск готовых решений порождал больше вопросов, чем давал ответов. Часто я натыкался на примеры использования каких-то сторонних коробок или онлайн-сервисов. А мне в первую очередь нужно было простое и легкое решение, которое в дальнейшем дало бы мысли для реализации собственной утилиты.


Несколько недель назад вышла замечательная англоязычная статься об open-source python-библиотеки FlashText. Эта библиотека предоставляла быстрое работающее решение задачи поиска и замены ключевых слов в тексте.


Т.к. на русском материалов подобной тематики не так много, то я решил перевести эту статью на русский. Под катом вас ждет описание проблемы, разбор принципа работы библиотеки а так же примеры тестов производительности.

Tcl/Tk. Тематические виджеты TTK и дизайнер TKproE-2.20
https://habrahabr.ru/post/343930/

Просматривая свои заметки  (https://habrahabr.ru/post/333742/)по проектированию GUI с использованием виджетов Tk, я почувствовал какую-то неудовлетворенность. А дело оказалось в том, что я фактически упустил работу с тематическими виджетами ttk (themed tk). Они в скользь были задействованы при рассмотрении пакета Tkinter для Python и использовании дизайнера Page  (https://habrahabr.ru/post/335712/). Там речь шла о виджете TNotebook (блокнот, записная книжка) из пакета ttk. 

protoactor-python - Actor'ы на Python
https://github.com/AsynkronIT/protoactor-python

tf-coreml - TensorFlow to CoreML Converter
http://github.com/tf-coreml/tf-coreml

sentiment-discovery - Unsupervised Language Modeling at scale for robust sentiment classification
http://github.com/NVIDIA/sentiment-discovery

Django 2.0: оконные выражения (Window expressions)
http://feedproxy.google.com/~r/Agiliq/~3/Uv6ZAyQr96E/

TensorRT 3 - ускорение TensorFlow и поддержка Volta
https://devblogs.nvidia.com/parallelforall/tensorrt-3-faster-tensorflow-inference/

Nvidia

Command-Line утилита с помощью Click
https://dbader.org/blog/python-commandline-tools-with-click#intro

Асинхронные задачи на Flask + Celery
http://allynh.com/blog/flask-asynchronous-background-tasks-with-celery-and-redis/

Пример приложения

[Видео] Плейлист: PyCon.DE 2017
https://www.youtube.com/watch?v=3h-6GBBF4Hg&list=PLHd2BPBhxqRI_HtgmPJcm3LPAlhdX6J9v

handtracking - детектор рук на TensorFlow
https://github.com/victordibia/handtracking

Демо в репозитории

Talk Python to Me: #141 Python трюки
https://talkpython.fm/episodes/show/141/python-tricks

Аудио-подкаст

Обзор учебный книг на Python для начинающих
https://habrahabr.ru/post/344192/?utm_campaign=344192

Очень часто можно увидеть вопросы на том же тостере: «А какую книгу взять книгу, чтобы выучить технологи Х», и естественно в комментариях идет большое число мнений и большое число различных книг. В данной теме, я сделаю обзор самых популярных книг по Python для начинающих программистов, и дам четкое мнение – нужно ли их читать или нет (субъективно).


Нужно ли читать книги. Изучая новые технологии, я люблю читать книги по данной технологии, так как я получаю не только сухую информацию, но и субъективное мнение автора по пригодности данных технологий. И в отличие от видео-курсов, мне не приходится ждать, пока автор из себя выдавливает мысль. Да и читаю, я быстро.

Учим машину разбираться в генах человека
https://habrahabr.ru/post/343604/?utm_campaign=343604

Всегда приятно осознавать, что применение технологий сводится не только к финансовой выгоде, бывают ещё и идеи, делающие мир лучше. Об одном из проектов с такой идеей мы и расскажем в этот морозный пятничный день. Вы узнаете о решении, которое позволило увеличить точность экспресс-анализа крови, с помощью применения алгоритмов машинного обучения для выявления связей между микро-РНК и генами. Также, стоит отметить, что методы, описанные ниже можно использовать не только в биологии.

Используем Excel с pandas
https://www.dataquest.io/blog/excel-and-pandas/

skorch - нейронные сети на базе PyTorch и scikit-learn
http://github.com/dnouri/skorch

StackOverflow: интересные вопросы за неделю (ciii)
http://python-weekly.blogspot.com/2017/12/ciii-stackoverflow-python-report.html