9 лучших опенсорс находок за март 2020
https://habr.com/ru/post/495882/?utm_campaign=495882&utm_source=habrahabr&utm_medium=rss

Подготовил для вас подборку самых интересных находок из опенсорса за март 2020.

Что такое Celery beat и как использовать – часть 2
https://breadcrumbscollector.tech/what-is-celery-beat-and-how-to-use-it-part-2-patterns-and-caveats/

Прогнозирование временных рядов с помощью рекуррентных нейронных сетей
https://habr.com/ru/post/495884/?utm_campaign=495884&utm_source=habrahabr&utm_medium=rss

Итак, вашему вниманию представляется перевод страницы Time series forecasting из раздела руководств tensorflow: ссылка (https://www.tensorflow.org/tutorials/structured_data/time_series?hl=ru#part_1_forecast_a_univariate_time_series). Мои дополнения вместе с иллюстрациями к переводу нацелены помочь с пониманием основных идей в одном из самых интересных направлений ML и эконометрики в целом – прогнозировании временных рядов.

Распаковка переменной в Python на несколько
https://stackabuse.com/unpacking-in-python-beyond-parallel-assignment/

Блюр и анонимизация лица в OpenCV
https://www.pyimagesearch.com/2020/04/06/blur-and-anonymize-faces-with-opencv-and-python/

Как написать Instagram Bot с InstaPy
https://realpython.com/instagram-bot-python-instapy/

8 проектов на которых можно изучить Python
https://medium.com/javarevisited/8-projects-you-can-buil-to-learn-python-in-2020-251dd5350d56

Применение библиотеки FuzzyWuzzy для нечёткого сравнения в Python. Расстояние Левенштейна (редакционное расстояние)
https://habr.com/ru/post/491448/?utm_campaign=491448&utm_source=habrahabr&utm_medium=rss

Работая над голосовым помощником, который упоминается в предыдущей статье (https://habr.com/ru/post/470938/), понял, что просто не могу с вами не поделиться прекраснейшей библиотекой FuzzyWuzzy (https://pypi.org/project/fuzzywuzzy/).


Если коротко, то благодаря ей существует возможность произвести нечёткое сравнение строк без каких-либо страданий.

Podcast.__init__: Building The Seq Language For Bioinformatics
https://www.pythonpodcast.com/seq-bioinformatics-language-episode-257/

Audio

Начало работы с middleware в Django
https://webdevblog.ru/nachalo-raboty-s-middleware-v-django/

Оригинальная статья: PAWEŁ FERTYK (http://pfertyk.me/) – Getting started with Django middleware (http://pfertyk.me/2020/04/getting-started-with-django-middleware/)
Django поставляется с множеством полезных функций. Одним из них является механизм middleware (переводится как промежуточное программное обеспечение). В этом посте я кратко объясню, как работает middleware и как начать писать свой собственный.
Исходный код, включенный в этот пост, доступен на GitHub (https://github.com/pfertyk/getting-started-with-django-middleware).

LDA на статьях LiveJournal + визуализация
https://habr.com/ru/post/495852/?utm_campaign=495852&utm_source=habrahabr&utm_medium=rss

Как-то раз стало интересно, какие темы выделит LDA (латентное размещение Дирихле) на материалах «Живого Журнала». Как говорится, есть интерес — нет проблем.


Для начала немного про LDA на пальцах, вдаваться в математические подробности не будем (кому интересно — почитает). Итак, LDA — является одним из наиболее распространенных алгоритмов для моделирования тем. Каждый документ (будь то статья, книга или любой другой источник текстовых данных) представляет собой смесь тем, а каждая тема представляет собой смесь слов.

Тестирование производительности Python ORM методом, основанном на бенчмарке TPC-C
https://habr.com/ru/post/496116/?utm_campaign=496116&utm_source=habrahabr&utm_medium=rss

При написании приложений на Python, для работы с базами данных часто используются объектно-реляционные мапперы (ORM). Примерами ORM являются SQLALchemy, PonyORM и объектно-реляционный маппер, входящий в состав Django. При выборе ORM довольно важную роль играет её производительность.

Как избавиться от размытых фотографий с помощью Python
https://habr.com/ru/post/496134/?utm_campaign=496134&utm_source=habrahabr&utm_medium=rss

Когда мы делаем большую серию снимков, часть из них получается нечеткими. С такой же проблемой столкнулась крупная автомобильная компания. Часть фотографий при осмотре авто получались размытой, что могло негативно влиять на продажи.


Некачественные снимки напрямую снижают прибыль.
 
Как приложению распознавать нечеткие фотографии на уровне алгоритма?
Как измерить четкость RGB-изображения?

Автоматизация обслуживания клиентов: An End-To-End решение от DeepPavlov
https://habr.com/ru/post/496154/?utm_campaign=496154&utm_source=habrahabr&utm_medium=rss

Сегодня мы все чаще используем приложения для обмена мгновенными сообщениями (Facebook Messenger, WhatsApp, Telegram и т. д.) и устройства в виде голосовых помощников (Amazon Echo и Google Home и т. д.), помогающих получать моментальный ответ на запрос. Поэтому современные компании закладывают значительный бюджет в разработку искусственных помощников, чтобы предоставлять своим пользователям наилучший клиентский сервис, когда это необходимо. В этой статье мы расскажем, как использовали технологию искусственного интеллекта DeepPavlov (http://deeppavlov.ai/?utm_source=habr&utm_medium=article&utm_campaign=automating_customer_services_1_part&utm_content=landingpage&utm_term=customer_services_1_part) для расширения возможностей обслуживания клиентов компании Интерсвязь (https://www.is74.ru/).

Python Bytes: #176 How python implements super long integers
https://pythonbytes.fm/episodes/show/176/how-python-implements-super-long-integers

Audio

Singleton Pattern in Python
https://stackabuse.com/the-singleton-design-pattern-in-python/

PyCharm 2020.1
http://feedproxy.google.com/~r/Pycharm/~3/yTA0VPoZw1Y/

Django Chat. Translations - Andrew Knight
https://djangochat.com/episodes/translations-andrew-knight-QnawcxlT

Audio

Как использовать pytest test fixtures для Django Models
https://realpython.com/django-pytest-fixtures/

Пакупаем PyQt5 & PySide2 приложения для Windows с PyInstaller
https://www.learnpyqt.com/courses/packaging-and-distribution/packaging-pyqt5-pyside2-applications-windows-pyinstaller/