Визуализация сетевых топологий, или зачем еще сетевому инженеру Python #2
https://habr.com/ru/post/501164/?utm_campaign=501164&utm_source=habrahabr&utm_medium=rss

Эта статья написана по мотивам решения задания на недавно прошедшем онлайн-марафоне DevNet (https://rrc.ru/events/onlajn-devnet-marafon-ot-cisco) от Cisco. Участникам предлагалось автоматизировать анализ и визуализацию произвольной сетевой топологии и, опционально, происходящих в ней изменений.

 
Задача является не самой тривиальной, и в блогосфере встречается довольно мало статей на эту тему. Ниже представляю разбор собственной реализации, а также описание используемых инструментов и подходов.

Повторяем когортный анализ, выполненный в Power BI, силами Python
https://habr.com/ru/post/501492/?utm_campaign=501492&utm_source=habrahabr&utm_medium=rss

Поводом для написания данной публикации послужил вебинар, который я посмотрел на Youtube. Он был посвящен когортному анализу продаж. Автор использовал для работы с данными платформу Power BI Desktop. Ссылку на указанное видео приводить не буду, чтобы эта статья не была расценена как реклама, но по ходу повествования постараюсь делать спойлеры к первоисточнику, чтобы лучше объяснять логику собственного решения. Данный вебинар натолкнул меня на идею, что интересно было бы повторить возможности формул DAХ функциями библиотеки Pandas.

MASK-RCNN для поиска крыш по снимкам с беспилотников
https://habr.com/ru/post/500752/?utm_campaign=500752&utm_source=habrahabr&utm_medium=rss

Все чаще можно слышать про планы правительства провести полную инвентаризацию объектов недвижимости с целью уточнения кадастровых данных. Для первичного решения этой задачи можно применить простой способ, основанный на расчете площади крыш капитальных строений по аэрофотоснимкам и дальнейшее сопоставление с кадастровыми данными. К сожалению, ручной поиск и расчет занимает много времени, а поскольку новые дома сносятся и строятся непрерывно, то расчет требуется повторять снова и снова. Сразу возникает гипотеза, что этот процесс можно автоматизировать с помощью  алгоритмов машинного обучения, в частности, Computer Vision. В этой статье я расскажу о том, как мы в «НОРБИТ» (https://www.norbit.ru/) решали эту задачу и с какими сложностями столкнулись.

Внутри виртуальной машины Python. Часть 1
https://habr.com/ru/post/501338/?utm_campaign=501338&utm_source=habrahabr&utm_medium=rss

Я решил наконец-то разобраться, как работает интерпретатор Python. Для этого стал изучать одну статью-книгу и задумал заодно перевести её на русский язык. Дело в том, что переводы не дают тебе пропустить непонятное предложение и качество усвоения материала увеличивается). Заранее прошу извинить меня за возможные неточности. Я всегда стараюсь переводить максимально правильно, но одна из главных проблем: упоминание некоторых терминов в русском эквиваленте просто отсутствует.

Talk Python to Me: #264 10 tips every Flask developer should know
https://talkpython.fm/episodes/show/264/10-tips-every-flask-developer-should-know

Audio

Visual Studio Code – May 2020 Release
https://devblogs.microsoft.com/python/python-in-visual-studio-code-may-2020-release/

Мобильный eye-tracking на PyTorch
https://habr.com/ru/post/501412/?utm_campaign=501412&utm_source=habrahabr&utm_medium=rss

Рынок eye-tracking'а, как ожидается, будет расти и расти: с $560 млн в 2020 до $1,786 млрд в 2025 (https://www.marketsandmarkets.com/Market-Reports/eye-tracking-market-144268378.html). Так какая есть альтернатива относительно дорогим устройствам? Конечно, простая вебка! Как и другие, этот подход встречает много сложностей, будь то: большое разнообразие устройств (следовательно, сложно подобрать настройки, которые будут работать на всех камерах одинаково), сильная вариативность параметров (от освещения до наклона камеры и ее положения относительно лица), порядочные вычислительные мощности (несколько cuda-ядер и Xeon — самое то)...

Alembic migrations autogeneration
https://medium.com/@art.vasilyev/alembic-migrations-autogeneration-1696f0cade22?source=friends_link&sk=2f7c39a78b47a3b99dc8129a8e44e8dc

Django-like migrations autogeneration in Alembic

Пилим веб-опросник как у Meduza: пошаговый гайд для начинающих
https://habr.com/ru/post/501570/?utm_campaign=501570&utm_source=habrahabr&utm_medium=rss

Меня зовут Егор, я Full-stack разработчик в Leader-ID. В этой статье я хочу поделиться простым рецептом по созданию красивого и удобного веб-опросника наподобие тех, что делает Meduza. Он умеет показывать статистику после ответа на отдельные вопросы, подсчитывать общий балл, выдавать комментарии, выгружать данные для анализа и шарить результаты в соцсети. Для реализации этой задачи я выбрал Django, DRF, Python и базу данных PostgreSQL.

Пагинация для телеграм бота на Python
https://habr.com/ru/post/501812/?utm_campaign=501812&utm_source=habrahabr&utm_medium=rss

Недавно встала передо мной задача сделать пагинацию списка элементов в телеграм боте. И с удивлением обнаружила, что для такой, казалось бы типовой задачи в PyPi нет ни одной библиотеки. Поэтому решено было исправить это досадное упущение и опубликовать свою реализацию.

DjangoChat: Roll Your Own Tech Job - Erin Mullaney
https://djangochat.com/episodes/roll-your-own-tech-job-erin-mullaney-b1il9dYG

Audio

Кому на бюджете жить хорошо?
https://habr.com/ru/post/501760/?utm_campaign=501760&utm_source=habrahabr&utm_medium=rss

Пару месяцев назад на одном IT мероприятии мне довелось лицезреть в работе Pandas. Парень, который с ним работал не делал ничего особенно удивительного. Но простые сложения значений, вычисления средних, группировки производились так виртуозно, что, даже при всей своей предвзятости к Питону, я был очарован. Манипуляции выполнялись на довольно приличных датасетах по данным капитального ремонта за период кажется с 2004 по 2019 год. Сотни тысяч строк, но все работало очень быстро.

В общем когда мне еще через пару месяцев пришлось кое-что анализировать, я решил попробовать сделать это с помощью Pandas. Провозился пару дней с тем, что с помощью Excel я бы смог сделать за день. Тем не менее мне удалось.

bandit - ищем уязвимости в коде
http://github.com/PyCQA/bandit

Разбираем EM-algorithm на маленькие кирпичики
https://habr.com/ru/post/501850/?utm_campaign=501850&utm_source=habrahabr&utm_medium=rss

В этой статье, как Вы уже, наверное догадались, речь пойдет об устройстве EM-алгоритма. Статья прежде всего может быть интересна тем, кто потихонечку уже вступает в сообщество датасайнтистов. Материал изложенный в статье в большей степени будет полезен тем, кто недавно начал проходить третий курс «Поиск структуры в данных» в рамках специализации «Машинное обучение и анализ данных» от МФТИ и Яндекс.

Django 3.1 alpha 1 released
https://www.djangoproject.com/weblog/2020/may/14/django-31-alpha-1-released/

Python 3.8.3
http://feedproxy.google.com/~r/PythonInsider/~3/Ae5Lv6hpDyM/python-383-is-now-available.html

Python Bytes: #181 It's time to interrogate your Python code
https://pythonbytes.fm/episodes/show/181/it-s-time-to-interrogate-your-python-code

Audio

Не используйте “+” для объединения строк
https://towardsdatascience.com/do-not-use-to-join-strings-in-python-f89908307273

Test and Code: 113: Technical Debt - James Smith
https://testandcode.com/113

Audio

Моделирование потока денег
https://towardsdatascience.com/cash-flow-modelling-with-python-59d3cf8f08a2