Python разработка в Visual Studio Code
https://realpython.com/python-development-visual-studio-code/

slothtest - библиотека по отлову регрессионных багов для бизнес-логики
https://github.com/elegantwist/slothtest

Comprehensive Python Cheatsheet (2018)
https://gto76.github.io/python-cheatsheet/

Подборка @pythonetc, январь 2019
https://habr.com/ru/post/438778/?utm_campaign=438778

Это восьмая подборка советов про Python и программирование из моего авторского канала @pythonetc.

Keras: Multiple Inputs and Mixed Data
https://www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/

ArchiveBox - open-source self-hosted web archive
http://github.com/pirate/ArchiveBox

#python #pydigest

Сборник Python новостей уже перед вами.

В 268 выпуске Python Дайджест вы найдете:

- Избран управляющий совет 2019
- Пишем XGBoost с нуля — часть 1 и 2
- Как устроен штрихкод?
- Делаем прототип бота для боев в Clash Royale
- Микрооптимизации для Python 3.8
- Разбираем протокол пейджерных сообщений POCSAG, ч2
- Делаем нейронную сеть: как не сломать мозг
- Открытый курс «Deep Learning на пальцах»
- slothtest - библиотека по отлову регрессионных багов для бизнес-логики

Заходите в гости - https://pythondigest.ru/issue/268/
Присылайте интересные новости через форму на сайте.

«Удаление» объектов в Django
https://habr.com/ru/post/438280/?utm_campaign=438280

Рано или поздно перед разработчиками встаёт задача удаления ненужных данных. И чем сложнее сервис, тем больше нюансов необходимо учесть. В данной статье я расскажу, как мы реализовали «удаление» в базе данных с сотней связей. Читать дальше →

Безопасность алгоритмов машинного обучения. Защита и тестирование моделей с использованием Python
https://habr.com/ru/post/438644/?utm_campaign=438644

В рамках предыдущей статьи (https://habr.com/ru/company/dsec/blog/437092/) мы рассказали про такую проблему машинного обучения, как Adversarial примеры и некоторые виды атак, которые позволяют их генерировать. В данной статье речь пойдет об алгоритмах защиты от такого рода эффекта и рекомендациях по тестированию моделей.

Stacks and Queues in Python.
http://ow.ly/n5Lm30nz9Zq

Мозг изнутри (Визуализация прохождения паттерна через модель искусственной нейронной сети)
https://habr.com/ru/post/438972/?utm_campaign=438972

Статья предназначена для тех, кто когда-либо интересовался вопросом о том что же происходит внутри искусственной нейронной сети (artificial neural network) — ИНС. Сейчас разработать собственную ИНС может практически каждый используя уже готовые библиотеки, в большинстве языков программирования. В рассматриваемой статье я постараюсь показать как именно выглядит объект (Паттерн) проходящий через слои ИНС, разработанной и скомпилированной при помощи библиотеки глубокого обучения Tensorflow с надстройкой Keras.

Используем machine learning model с Flask, Docker и Kubernetes
http://ow.ly/V2XB30nz9VS

Делаем нейронную сеть: как не сломать мозг
https://habr.com/ru/post/439038/?utm_campaign=439038

В этой небольшой заметке расскажу о двух подводных камнях, с которыми как легко столкнуться, так и легко о них разбиться.


Речь пойдет о создании тривиальной нейронной сети на Keras, с помощью которой будем предсказывать среднее арифметическое двух чисел.


Казалось бы, что может быть проще. И действительно, ничего сложного, но есть нюансы.


Кому тема интересна, добро пожаловать под кат, здесь не будет долгих занудных описаний, просто короткий код и комментарии к нему.

Функциональное программирование в Python
https://stackabuse.com/functional-programming-in-python/

Начинаем работу с JupyterLab
http://www.blog.pythonlibrary.org/2019/02/05/getting-started-with-jupyterlab/

Открытый курс «Deep Learning на пальцах»
https://habr.com/ru/post/438940/?utm_campaign=438940

После 18-го февраля начнется открытый и бесплатный курс "Deep Learning на пальцах".
 
Курс предназначен для того, чтобы разобраться с современным deep learning с нуля, и не требует знаний ни нейросетей, ни machine learning вообще. Лекции стримами на Youtube, задания на Питоне, обсуждения и помощь в лучших русскоязычных DS-сообществах — ODS.ai (http://ods.ai/) и ClosedCircles (https://closedcircles.com/chat).

После него вы не станете экспертом, но поймете про что все это, сможете применять DL на практике и будете способны разбираться дальше сами. Ну, в лучшем случае.
Одновременно и в том же объеме курс будет читаться для магистрантов Новосибирского Государственного Университета, а также студентов CS центра (https://compscicenter.ru/) Новосибирска.

Избран управляющий совет 2019
http://pythonz.net/articles/217/

О том, кто будет направлять Питон в ближайшее время

Пишем XGBoost с нуля — часть 1: деревья решений
https://habr.com/ru/post/438560/?utm_campaign=438560

После многочисленных поисков качественных руководств о решающих деревьях и ансамблевых алгоритмах (бустинг, решающий лес и пр.) с их непосредственной реализацией на языках программирования, и так ничего не найдя (кто найдёт — напишите в комментах, может, что-то новое почерпну), я решил сделать своё собственное руководство, каким бы я хотел его видеть. Задача на словах простая, но, как известно, дьявол кроется в мелочах, коих в алгоритмах с деревьями очень много.


Так как тема достаточно обширная, то очень сложно будет уместить всё в одну статью, поэтому будет две публикации: первая посвящена деревьям, а вторая часть будет посвящена реализации алгоритма градиентного бустинга. Весь изложенный здесь материал собран и оформлен на основе открытых источников, моего кода, кода коллег и друзей. Сразу предупреждаю, кода будет много.

Ускорить сложные вычисления с минимальной загрузкой RAM
https://habr.com/ru/post/439312/?utm_campaign=439312

В процессе освоения ML, СNN, NN на Python новичок почти всегда сталкивается с проблемой скорости вычислений, а иногда и нехватки оперативной памяти.


Особенно это заметно с большими базами, которые по размеру больше 50% свободной RAM. Мысли о покупке более достойного железа всего лишь одно из возможных решений.


Иной вариант использовать одну из возможностей в Python — итерации по самой функции.


Простой и наглядный пример. Допустим Вам необходимо возвести в 200 000 степень ряд чисел от 1 до 10 и сложить их сумму. В итоге вы должны получить число длинной 200 тыс знаков. это в 2 раза больше чем google (https://en.wiktionary.org/wiki/googol))

Пишем XGBoost с нуля — часть 2: градиентый бустинг
https://habr.com/ru/post/438562/?utm_campaign=438562

В прошлой статье (https://habr.com/ru/company/mailru/blog/438560/) мы разбирались, как устроены решающие деревья, и с нуля реализовали

алгоритм построения, попутно оптимизируя и улучшая его. В этой статье мы реализуем алгоритм градиентного бустинга и в конце создадим свой собственный XGBoost. Повествование будет идти по той же схеме: пишем алгоритм, описываем его, в заверешение подводим итоги, сравнивая результаты работы с аналогами из Sklearn'а.


В этой статье упор тоже будет сделан на реализацию в коде, поэтому всю теорию лучше почитать в другом вместе (например, в курсе ODS (https://github.com/Yorko/mlcourse.ai/tree/master/jupyter_russian/topic10_boosting)), и уже со знанием теории можно переходить к этой статье, так как тема достаточно сложная.