PyCon Russia 2019: ответы на главные вопросы
https://habr.com/ru/post/441314/?utm_campaign=441314

[Перевод] Управление памятью в Python
https://habr.com/ru/post/441568/?utm_campaign=441568

Задумывались ли вы когда-нибудь о том, как данные, с которыми вы работаете, выглядят в недрах Python? О том, как переменные создаются и хранятся в памяти? О том, как и когда они удаляются? Материал, перевод которого мы публикуем, посвящён исследованиям глубин Python, в ходе которых мы попытаемся выяснить особенности управления памятью в этом языке. Изучив эту статью, вы разберётесь с тем, как работают низкоуровневые механизмы компьютеров, в особенности те из них, которые связаны с памятью. Вы поймёте то, как Python абстрагирует низкоуровневые операции и познакомитесь с тем, как он управляет памятью.

Сервим всё
https://habr.com/ru/post/440908/?utm_campaign=440908

Про создание и обучение моделей нейронных сетей (навыков) на Хабре написано не мало, поэтому не будем об этом сегодня. Обучив или получив сериализованные навыки ИИ, мы рассчитываем использовать их в наших целевых информационных системах, и тут возникает проблема. То что работает на стенде в лаборатории не перенести в производство в исходном виде, необходимо внедрение всего сопряженного стека технологий и даже существенная доработка под целевую платформу (есть, конечно, исключения в виде CoreML, но это частный случай и только для техники Apple). К тому же, инструментов разработки и сериализации моделей великое множество, неужели для каждого придется разрабатывать отдельное решение для интеграции? Кроме того, даже в лаборатории часто возникает необходимость получить быстрый вывод от модели, не ожидая прогрузки всего связанного девелоперского стека.


В качестве предложения по решению данных проблем я хотел бы рассказать про сравнительно новый opensource инструмент, который, возможно, будет вам полезен при разработке проектов, связанных с ИИ.

Как мы делали платежную систему для криптовалюты: пять основных проблем
https://habr.com/ru/post/441338/?utm_campaign=441338

Когда летом 2017 года мы запускали платформу, то задумались о том, как принимать криптовалюты и какой процессинг использовать. Увы, никто на тот момент не был готов дать хоть какие-либо гарантии по уязвимости контракта, да и история с атакой платформы DAO была еще на слуху. Мы не хотели идти по стопам DAO. К тому же, у нас были некоторые наработки по приему платежей через блокчейн. Так что мы решили самостоятельно проработать весь цикл проведения блокчейн-платежей. В этом посте мы расскажем о том, что у нас получилось, и, что самое интересное, — о том, какие проблемы нам пришлось решить в процессе.

Генерируем изображение с кодом с помощью Carbon и Selenium
https://pybit.es/python-tips-carbon-selenium.html

Автоматизация GUI c помощью Python
https://medium.com/@tarunkhare54321/gui-automation-using-python-d07c4bbbd263

Гадание на нейросетях: отметился ли в комментариях к посту сам автор
https://habr.com/ru/post/441850/?utm_campaign=441850

Поделюсь рассказом о небольшом проекте: как найти в комментариях ответы автора, заведомо не зная кто автор поста.


Свой проект я начинал с минимальными знаниями по машинному обучению и думаю для специалистов тут не будет ничего нового. Этот материал в некотором смысле компиляция разных статей, в нем расскажу, как подходил к задаче, в коде можно найти полезные мелочи и приемы с обработкой естественного языка.

Test and Code: 66: Brian is interviewed by Phil Burgess
https://testandcode.com/66

Аудио-подкаст

Python Bytes: #119 Assorted files as Django ORM backends with Alkali
https://pythonbytes.fm/episodes/show/119/assorted-files-as-django-orm-backends-with-alkali

Аудио-подкаст

Введение в аннотации типов Python. Продолжение
https://habr.com/ru/post/435988/?utm_campaign=435988

В первой части статьи (https://habr.com/company/lamoda/blog/432656/) я описал основы использования аннотаций типов. Однако несколько важных моментов остались не рассмотрены. Во-первых, дженерики — важный механизм, во-вторых иногда может оказаться полезным узнать информацию об ожидаемых типах в рантайме. Но начать хотелось с более простых вещей

Создание Dataflow шаблона для стриминга данных из Pub/Sub в BigQuery на базе GCP с помощью Apache Beam SDK и Python
https://habr.com/ru/post/441892/?utm_campaign=441892

В данный момент занимаюсь задачей стриминга (и преобразования) данных. В некоторых кругах

такой процесс известен как ETL (https://ru.wikipedia.org/wiki/ETL), т.е. извлечение, преобразование и загрузка информации.
 
Весь процесс включает в себя участие следующих сервисов Google Cloud Platform (https://cloud.google.com/gcp/):

Pub/Sub (https://cloud.google.com/pubsub/) — сервис для realtime стриминга данных
Dataflow (https://cloud.google.com/dataflow/) — сервис для преобразования данных (может

работать как в realtime так и в batch режиме)
BigQuery (https://cloud.google.com/bigquery/) — сервис для хранения данных в виде таблиц

(поддерживает SQL)

Python 3.8, shared memory support for multi-processing
https://docs.python.org/3.8/library/multiprocessing.shared_memory.html

PyCharm 2018.3.5
http://feedproxy.google.com/~r/Pycharm/~3/s4LxQEv6eq0/

Введение в Pathlib модуль
https://stackabuse.com/introduction-to-the-python-pathlib-module/

Привычный способ определения лиц в Python
https://realpython.com/traditional-face-detection-python/

Пишем рекомендательную систему с Scikit-Learn
https://medium.com/code-heroku/building-a-movie-recommendation-engine-in-python-using-scikit-learn-c7489d7cb145

[Видео] Что внутри у питона: как устроена память
https://www.youtube.com/watch?v=lSgoYx06L_s

Злата Обуховская (Teamlead в Nvidia, евангелист MoscowPython)
"В этой части докладов про внутренности питона мы посмотрим, как происходит выделение памяти, как работают счетчики ссылок, кэши объектов и сборка мусора, а также разберемся, причем тут GIL".
Слайды: http://www.moscowpython.ru/meetup/63/python-memory/
Цикл "Что внутри у Питона": https://www.youtube.com/playlist?list=PLv_zOGKKxVpi6BSAuySAtX5KyCa50PSCz

Test and Code: 67: Teaching Python in Middle School
https://testandcode.com/67

Аудио-подкаст

[Видео] Python Junior подкаст. Когда разработчику на Python нужна низкоуровневая «магия» (хардкор!)
https://www.youtube.com/watch?v=8v2SYBv5t1Y

Жизненный цикл кода на Python – модель выполнения CPython
https://habr.com/ru/post/442252/?utm_campaign=442252

Python компилируемый и интерпретируемый язык. Таким образом компилятор Python генерирует байткоды, а интерпретатор исполняет их.