Geocode with Python
https://towardsdatascience.com/geocode-with-python-161ec1e62b89

PyCrunch – Интеллектуальное выполнение тестов и визуальное покрытие кода в IDE
https://habr.com/ru/post/467679/?utm_campaign=467679&utm_source=habrahabr&utm_medium=rss

Около 3 лет назад я перешел с C# разработки на Python. Два с половиной года я пытался найти инструмент, который был бы похож на NCrunch по удобству в ежедневной работе.


В какой-то момент я забил забил на unit-тестирование, и писал код, прогоняя тесты на CI.


Но идея никак не уходила из головы. Хотелось создать инструмент, который бы значительно упрощал разработку с помощью тестов, при этом, рекомендовать его коллегам и друзьям.


Полгода разработки, и активное использование на собственных проектах, вызывает желание показать продукт сообществу.

Книга «Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи»
https://habr.com/ru/post/465605/?utm_campaign=465605&utm_source=habrahabr&utm_medium=rss

Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением. Эта книга предназначена для разработчиков МО и энтузиастов глубокого обучения, интересующихся искусственным интеллектом и желающих освоить метод обучения с подкреплением. Прочитайте эту книгу и станьте экспертом в области обучения с подкреплением, реализуя практические примеры в работе или вне ее. Знания в области линейной алгебры, математического анализа и языка программирования Python помогут вам понять логику изложения материала.

ImageAI  - набор инструментов компьютерного зрения
https://github.com/OlafenwaMoses/ImageAI

Как оптимизировать pandas при работе с большими datasetами (очерк)
https://habr.com/ru/post/467785/?utm_campaign=467785&utm_source=habrahabr&utm_medium=rss

Когда памяти вагоны и/или dataset небольшой можно смело закидывать его в pandas безо всяких оптимизаций. Однако, если данные большие, остро встает вопрос, как их обрабатывать или хотя бы считать.


Предлагается взглянуть на оптимизацию в миниатюре, дабы не вытаскивать из сети гигантские датасеты.


В качестве датасета будем использовать хабрастатистику с комментариями пользователей за 2019 г., которая является общедоступной благодаря одному трудолюбивому пользователю:
dataset (http://www.dropbox.com/s/o84naeggpzak4b7/habr_2019_comments.txt?dl=0)

dirsearch - Web path scanner
https://github.com/maurosoria/dirsearch

Filtering & Closing Pull Requests on GitHub
https://pythontips.com/2019/09/18/filtering-closing-pull-requests-on-github-using-the-api/

Элементарная симуляция кастомного физического взаимодействия на python + matplotlib
https://habr.com/ru/post/467803/?utm_campaign=467803&utm_source=habrahabr&utm_medium=rss

Что будет в этой статье.


Общий случай:
 
Опишем базу, а именно работу с векторами (велосипед для тех, у кого нет под рукой numpy)
Опишем материальную точку и поле взаимодействия

Частный случай (на основе общего):
 
Сделаем визуализацию векторного поля напряженности электромагнитного поля (первая и третья картинки)
Сделаем визуализацию движения частиц в электромагнитном поле

Must-have алгоритмы машинного обучения
https://habr.com/ru/post/467825/?utm_campaign=467825&utm_source=habrahabr&utm_medium=rss



Этот пост — краткий обзор общих алгоритмов машинного обучения. К каждому прилагается краткое описание, гайды и полезные ссылки.

Анализируем историю прослушивания в «Яндекс.Музыке»
https://habr.com/ru/post/467863/?utm_campaign=467863&utm_source=habrahabr&utm_medium=rss

Вот уже почти год я пользуюсь сервисом Яндекс Музыка и меня все устраивает. Но есть в этом сервисе одна интересная страница — история. Она хранит все треки, которые были прослушаны, в хронологическом порядке. И мне, конечно, захотелось скачать ее и проанализировать, что я там наслушал за все время.

Podcast.__init__: Cultivating The Python Community In Argentina
https://www.pythonpodcast.com/facundo-batista-python-community-argentina-episode-229/

Audio

Делаем домашнюю библиотеку с Notion и Python
https://habr.com/ru/post/467009/?utm_campaign=467009&utm_source=habrahabr&utm_medium=rss

Мне всегда было интересно, как бы получше распределить книги у себя в электронной библиотеке. В итоге пришел к такому варианту с автоматическим подсчетом количества страниц и прочими плюшками. Всех заинтересованных прошу под кат.

Talk Python to Me: #230 Python in digital humanities research
https://talkpython.fm/episodes/show/230/python-in-digital-humanities-research

Audio

SpeedTorch - ускоряем Torch, с помощью переноса CPU <-> GPU
http://github.com/Santosh-Gupta/SpeedTorch

Python Bytes: #148 The ASGI revolution is upon us!
https://pythonbytes.fm/episodes/show/148/the-asgi-revolution-is-upon-us

Audio

Осваиваем Pandas за 20 минут
https://towardsdatascience.com/how-to-master-pandas-8514f33f00f6

Возимся с утечками памяти в Django приложении
https://adamj.eu/tech/2019/09/19/working-around-memory-leaks-in-your-django-app/

Наследование и композиция: руководство по ООП в Python
https://webdevblog.ru/nasledovanie-i-kompoziciya-rukovodstvo-po-oop-python/

В этой статье мы подробно рассмотрим наследование (inheritance) и композицию (composition) в Python. Наследование (Inheritance (https://en.wikipedia.org/wiki/Inheritance_(object-oriented_programming))) и композиция (composition (https://en.wikipedia.org/wiki/Object_composition)) – это две важные концепции в объектно-ориентированном программировании, которые моделируют отношения между двумя классами. Они являются строительными блоками объектно-ориентированного проектирования (object oriented design (https://realpython.com/python3-object-oriented-programming/)) и помогают программистам писать повторно используемый код.
Оригинальная статья  Isaac Rodriguez (https://realpython.com/inheritance-composition-python/#author)  – Inheritance and Composition: A Python OOP Guide (https://realpython.com/inheritance-composition-python/)

C/C++ из Python (CFFI, pybind11)
https://habr.com/ru/post/468099/?utm_campaign=468099&utm_source=habrahabr&utm_medium=rss

Продолжаем тему как вызывать C/C++ из Python3. Теперь используем библиотеки cffi, pybind11. Способ через ctypes (https://habr.com/ru/post/466499/) был рассмотрен в предыдущей статье.

Задача: извлечь ключевые выражения из текста на русском языке. NLP на Python
https://habr.com/ru/post/468141/?utm_campaign=468141&utm_source=habrahabr&utm_medium=rss

Что было нужно в самом начале:
 
программа, «выуживающая» из сырого текста на русском языке уникальные названия продукции по определенной отрасли. Сырой текст — текст, который писал человек, просто излагая свои мысли и не заботясь о формировании или выделении какого-либо списка слов;
автоматически получаемый список слов;
минимальная ручная или автоматизированная обработка для преобразования списка в набор хештегов или ключевых слов к тексту.