Нейросети в большом городе. Разбираемся, как они помогают идентифицировать людей, и запускаем собственную нейросеть
https://habr.com/ru/post/536410/?utm_campaign=536410&utm_source=habrahabr&utm_medium=rss

Алгоритмы по детекции лиц плотно вошли в нашу жизнь, хотя и не все это замечают. Началось всё в 2015 году со сферы развлечений. Shapchat купил стартап Looksery, в котором разрабатывали AR-фильтры. Приложение распознавало лицо человека на фотографии и накладывало на него весёлые рожицы. Чуть позже, в начале 2016 года, Facebook купил белорусский стартап MSQRD и запустил маски в Facebook Stories. Но это можно считать только обкаткой таких технологий.


В этой статье можно прочитать, как используются системы идентификации, узнать про слабые места компьютерных алгоритмов, а также попробовать запустить нейронную сеть по детекции и идентификации лиц на собственном компьютере.

The Real Python Podcast – Episode #42: What Is Data Engineering and Researching 10 Million Jupyter Notebooks
https://realpython.com/podcasts/rpp/42/

Как быть билингвом в Data Science
https://habr.com/ru/post/536592/?utm_campaign=536592&utm_source=habrahabr&utm_medium=rss

В этой статье я хочу продемонстрировать R Markdown — удобную надстройку для программирования вашего проекта как на R, так и на Python, позволяющую программировать некоторые элементы вашего проекта на двух языках и управлять объектами, созданными на одном языке, с помощью другого языка.

StackOverflow: интересные вопросы за неделю (cclviii)
http://python-weekly.blogspot.com/2021/01/cclviii-stackoverflow-python-report.html

Анимации градиентного спуска и ландшафта потерь нейронных сетей
https://habr.com/ru/post/536606/?utm_campaign=536606&utm_source=habrahabr&utm_medium=rss

Во время изучения различных алгоритмов машинного обучения я наткнулся на ландшафт потерь нейронных сетей с их горными территориями, хребтами и долинами. Эти ландшафты потерь сильно отличались от выпуклых и гладких ландшафтов потерь, с которыми я столкнулся при использовании линейной (https://towardsdatascience.com/animations-of-multiple-linear-regression-with-python-73010a4d7b11) и логистической (https://towardsdatascience.com/animations-of-logistic-regression-with-python-31f8c9cb420) регрессий. Здесь мы создадим ландшафты потерь нейронных сетей и анимированного градиентного спуска с помощью датасета MNIST (http://yann.lecun.com/exdb/mnist/).

#python #pydigest

Сборник Python новостей уже перед вами.

В выпуске Python Дайджест вы найдете:

- DALL · E от OpenAi: Генерация изображений из текста
- Генерация дефолтных Github аватарок
- Анализ тональности с помощью Dostoevsky
- Как я научила свой компьютер играть в пары используя OpenCV и Глубокое обучение
- Нейросети в большом городе. Разбираемся, как они помогают идентифицировать людей
- Как экономить память и удваивать размеры моделей PyTorch с новым методом Sharded
- OpenCV Augmented Reality (AR)
- Визуализация пересечений и перекрытий
- Django bugfix release: 3.1.5

Заходите в гости - https://pythondigest.ru/issue/368/
Присылайте интересные новости через форму на сайте.

Используем аналог s3 на localhost - MinIO для хранения файлов
https://rogs.me/2021/01/using-minio-to-upload-to-a-local-s3-bucket-in-django/

Implementing FastAPI services – Abstraction and separation of concerns
https://camillovisini.com/article/abstracting-fastapi-services/

Клиент-серверный IPC на multiprocessing
https://habr.com/ru/post/536766/?utm_campaign=536766&utm_source=habrahabr&utm_medium=rss

Статья отражает личный опыт разработки CLI приложения для Linux.

В ней рассмотрен способ выполнения привилегированных системных вызовов процессом суперпользователя по запросам управляющей программы через строго описанный API.

Исходный код написан на Python для реального коммерческого приложения, но для публикации абстрагирован от конкретных задач.

Чистый Cython VS nvc++: жжем металлические пластины на GPU для сравнения скорости
https://habr.com/ru/post/536824/?utm_campaign=536824&utm_source=habrahabr&utm_medium=rss

Все знают, что Python не блещет скоростью сам по себе. На мой взгляд язык прекрасен своей читабельностью, но основная ниша его применения там, где вы большую часть времени ожидаете ввода/вывода каких-то данных. Условно, вы можете написать суперпроизводительный код на Rust или С, но 99% времени он будет просто ждать.

Возьмем две задачи: сортировку чисел и метод Якоби, которым будем рассчитывать нагрев металлической пластины.

Подборка статей о машинном обучении: кейсы, гайды и исследования за декабрь 2020
https://habr.com/ru/post/536794/?utm_campaign=536794&utm_source=habrahabr&utm_medium=rss

Последний месяц года нельзя назвать удачным моментом для масштабных анонсов, так как большинство переходит в режим “давайте уже после праздников”, но судя по этой насыщенной подборке в области машинного обучения, и в декабре во всю кипела работа. Поэтому с небольшой задержкой встречайте двенадцатый выпуск дайджеста, в котором мы расскажем о самом важном, что произошло в ML в конце 2020 года.

OpenCV Video Augmented Reality
https://www.pyimagesearch.com/2021/01/11/opencv-video-augmented-reality/

fpdf2 2.2.0
https://chezsoi.org/lucas/blog/fpdf2-release-2-2-0.html

fpdf2 is a minimalist PDF creation library

Стилометрия, или как отличить Акунина от Булгакова с помощью 20 строк кода?
https://habr.com/ru/post/536858/?utm_campaign=536858&utm_source=habrahabr&utm_medium=rss

Довольно интересным направлением "прикладной статистики" и NLP (Natural Languages Processing а вовсе не то что многие сейчас подумали) является анализ текста. Появилось это направление задолго до компьютеров, и имело вполне практическую цель: определить автора того или иного текста. С помощью ПК это впрочем, гораздо легче и удобнее, да и результаты получаются весьма интересные. Посмотрим, какие закономерности можно выявить с помощью совсем простого кода на Python.

Talk Python to Me: #298 Building ML teams and finding ML jobs
https://talkpython.fm/episodes/show/298/building-ml-teams-and-finding-ml-jobs

Audio

Podcast.__init__: Project Scaffolding That Evolves With Your Software Using Copier
https://www.pythonpodcast.com/copier-project-scaffolding-episode-297/

Audio

Пора избавляться от мышки или Hand Pose Estimation на базе LiDAR за 30 минут
https://habr.com/ru/post/536602/?utm_campaign=536602&utm_source=habrahabr&utm_medium=rss

Пока киберпанк еще не настолько вошел в нашу жизнь, и нейроинтерфейсы далеки от идеала, первым этапом на пути к будущему манипуляторов могут стать LiDAR (https://ru.wikipedia.org/wiki/%D0%9B%D0%B8%D0%B4%D0%B0%D1%80). Поэтому, чтобы не скучать на праздниках, я решил немного пофантазировать на тему средств управления компьютером и, предположительно, любым устройством, вплоть до экскаватора, космического корабля, дрона или кухонной плиты.

Sentiment Analysis: First Steps With Python's NLTK Library
https://realpython.com/pyhton-nltk-sentiment-analysis/

Python Bytes: #216 Container: Sort thyself!
https://pythonbytes.fm/episodes/show/216/container-sort-thyself

Audio

Соревнование KAGGLE по определению риска дефолта заемщика. Разработка признаков
https://habr.com/ru/post/537124/?utm_campaign=537124&utm_source=habrahabr&utm_medium=rss

Соревнования Kaggle с использованием структурированных данных очень часто выигрывают специалисты по разработке признаков: побеждают те, кто может создавать наиболее полезные признаки из данных. Это представляет собой одну из закономерностей в машинном обучении: разработка признаков дает больший возврат инвестиций, чем построение модели и настройка гиперпараметров. Как говорит один из ведущих ученых в области машинного обучения – Эндрю Ын: «Прикладное машинное обучение — это в основном разработка признаков».