Трассировка Python GIL
https://habr.com/ru/post/538706/?utm_campaign=538706&utm_source=habrahabr&utm_medium=rss

Есть много статей, объясняющих, для чего нужен Python GIL (The Global Interpreter Lock) (я подразумеваю CPython). Если вкратце, то GIL не даёт многопоточному чистому коду на Python использовать несколько ядер процессора.


Однако мы в Vaex исполняем большинство задач с интенсивными вычислениями на С++ с отключением GIL. Это нормальная практика для высокопроизводительных Python—библиотек, в которых Python всего лишь выступает в роли высокоуровневого связующего звена.

Как сделать Data Science приложение для Windows (и не только) с графическим интерфейсом с помощью PySimpleGUI
https://habr.com/ru/post/538324/?utm_campaign=538324&utm_source=habrahabr&utm_medium=rss

Работать с Data Science в Jupyter, конечно, очень приятно, но если вы хотите пойти дальше и развернуть свой проект или модель на облачном сервере, то здесь есть много отличных решений — с помощью Flask, Django или Streamlit. Хотя облачные решения по-прежнему самые популярные, часто хочется создать быстрое приложение с графическим интерфейсом.

Schemathesis 3.0
https://github.com/schemathesis/schemathesis

A modern API testing tool for web applications built with Open API and GraphQL specifications.

Я сделаю свою «умную» колонку… «with blackjack and hookers!»
https://habr.com/ru/post/538862/?utm_campaign=538862&utm_source=habrahabr&utm_medium=rss

В данной статье я расскажу историю как мы с двоюродным братом сделали свою «умную» колонку (https://www.thingiverse.com/xbost/designs).

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

PortablePy: компьютер-раскладушка для MicroPython
https://habr.com/ru/post/537900/?utm_campaign=537900&utm_source=habrahabr&utm_medium=rss

Признаю: мне очень нравится та невероятная скорость, с которой загружаются домашние компьютеры 1980-х годов. Я какое-то время пытался оптимизировать время загрузки Raspberry Pi, но особенно далеко в этом деле не продвинулся. Я, кроме того, большой поклонник специализированных устройств, в которых аппаратное обеспечение используется для решения какой-то одной задачи. Такие системы тоже работают очень быстро. MicroPython — это очень интересная разработка, попадающая в сферу моих интересов. Это, с одной стороны — «язык высокого уровня», а с другой — программный комплекс, который без особых сложностей работает на весьма скромных аппаратных ресурсах.

Как ограничить время выполнения Django теста
https://adamj.eu/tech/2021/01/25/how-to-limit-test-time-in-djangos-test-framework/

Detecting low contrast images with OpenCV, scikit-image, and Python
https://www.pyimagesearch.com/2021/01/25/detecting-low-contrast-images-with-opencv-scikit-image-and-python/

Test and Code: 142: MongoDB - Mark Smith
https://testandcode.com/142

Audio

OpenCV в Python. Часть 3
https://habr.com/ru/post/539228/?utm_campaign=539228&utm_source=habrahabr&utm_medium=rss

Это продолжение туториала по библиотеке opencv в python. Для тех кто не читал первую и вторую части, сюда: Часть 1 (https://habr.com/ru/post/519454/) и Часть 2 (https://habr.com/ru/post/528144/), а всем остальным — приятного чтения!

Podcast.__init__: Making The Sans I/O Ideal A Reality For The Websockets Library
https://www.pythonpodcast.com/websockets-sans-io-episode-299/

Audio

Как автоматизировать оповещения о статусе заказов через Telegram-бота, Computer Vision и SQL Anywhere
https://habr.com/ru/post/539262/?utm_campaign=539262&utm_source=habrahabr&utm_medium=rss

В современном мире услуги доставки становятся всё более популярными и востребованными, поэтому любая возможность автоматизации в этой сфере принесёт большую пользу как бизнесу, так и пользователям. В прошлых статьях нашего блога мы рассказывали о применении машинного зрения и нейронных сетей для распознавания (https://habr.com/ru/company/sap/blog/415657/) ценников товаров в магазине, а также для распознавания (https://habr.com/ru/company/sap/blog/523396/) комплектующих деталей. В этой статье мы расскажем о менее амбициозной (но не менее интересной) задаче – автоматизации оповещения клиентов о статусе их заказов с использованием чат-бота в Telegram, QR-кодов и реляционной СУБД SAP SQL Anywhere (https://www.sap.com/products/sql-anywhere.html). 

Изучение важных функций путем распространения различий в активации. DeepLIFT
https://habr.com/ru/post/539282/?utm_campaign=539282&utm_source=habrahabr&utm_medium=rss

Предполагаемая природа типа «черный ящик» нейронных сетей является препятствием для использования в приложениях, где важна интерпретируемость. Здесь мы представляем DeepLIFT (Deep Learning Important FeaTures), метод декомпозиции выходного предсказания нейронной сети на конкретном входе путем обратного распространения откликов всех нейронов (узлов) сети на каждый признак входного сигнала. DeepLIFT сравнивает активацию каждого нейрона с его «эталонной активацией» и присваивает оценки его отдельного вклада. При необходимости раздельно рассматривая положительные и отрицательные вклады, DeepLIFT может также выявить зависимости, которые упускаются другими подходами. Баллы могут быть эффективно вычислены за один обратный проход. Мы применяем DeepLIFT к моделям, обученным на MNIST и смоделированных геномных данных,  показывая значительные преимущества перед градиентными методами. 

Нейронная Сеть CLIP от OpenAI: Классификатор, который не нужно обучать. Да здравствует, Обучение без Обучения
https://habr.com/ru/post/539312/?utm_campaign=539312&utm_source=habrahabr&utm_medium=rss

Можете представить себе классификатор изображений, который решает практически любую задачу, и который вообще не нужно обучать? Представили? Выходит, что это должен быть универсальный классификатор? Все верно! Это новая нейросеть CLIP от OpenAI. Разбор CLIP из рубрики: Разбираем и Собираем Нейронные Сети на примере Звездных Войн!

Integrating MongoDB with Flask Using Flask-PyMongo
https://stackabuse.com/integrating-mongodb-with-flask-using-flask-pymongo/

[Видео] Python-стрим. Про хитрости Питона
https://www.youtube.com/watch?v=T2wEUd715W0

В очередном Python-стриме мы встречаемся с евангелистами MoscowPython Михаилом Корнеевым и Григорием Петровым. Михаил недавно запустил ютуб- и телеграм-канал "Хитрый Питон", в которых он делится небольшими хитростями, которые он находит в процессе работы над курсами Learn Python. На стриме мы обсудим, почему Питон - хитрый и какие хитрости полезно знать и использовать в процессе разработки.

25 IPython Tips for Your Next Advent of Code
https://switowski.com/blog/25-ipython-tips-for-your-next-advent-of-code

Что такое метаклассы в Python?
https://webdevblog.ru/chto-takoe-metaklassy-v-python/

Как обычно проходит собеседования на позицию разработчика Python? Обычно одним из первых вопросов будет просьба рассказать о типа данных (или составных типах данных) в Python. Потом через несколько других общих вопросов разговор обязательно перейдет к теме дескрипторов  (https://webdevblog.ru/chto-takoe-deskriptory-i-ih-ispolzovanie-v-python-3-6/)и метаклассов в Python. И хотя это такие вещи которые в реальной практике редко когда приходится использовать, каждый разработчик должен иметь хотя бы общее представление о них. Поэтому в этой статье я хочу немного рассказать о метаклассах.

[Видео] Moscow Python Podcast. MVP в сфере ML (level: All)
https://www.youtube.com/watch?v=wc7kPaBmiHs

В гостях у Moscow Python Podcast лидер Python практик компании S7 TechLab Антон Якунин. Поговорили с Антоном о опыте запуска MVP в большом компании.

Автоматическое обучение взаимодействию функций с помощью самонастраиваемых нейронных сетей
https://habr.com/ru/post/539566/?utm_campaign=539566&utm_source=habrahabr&utm_medium=rss

Прогноз кликабельности (CTR), цель которого - предсказать вероятность того, что пользователь нажмет на объявление или товар, имеет решающее значение для многих онлайн-приложений, таких как онлайн-реклама и консультирующие (рекомендательные) системы. Эта проблема очень сложна, поскольку: 1) входные функции (например, идентификатор пользователя, возраст пользователя, идентификатор элемента, категория элемента) обычно разрежены; 2) эффективное предсказание опирается на комбинаторные функции высокого порядка (они же кросс-функции), которые очень трудоемки для ручной обработки экспертами предметной области и не перечислимы. Поэтому были предприняты усилия по поиску низкоразмерных представлений разреженных и высокоразмерных необработанных объектов и их значимых комбинаций.