#python #pydigest

Сборник Python новостей уже перед вами.

В выпуске Python Дайджест вы найдете:

- Как создавать красивые карты с помощью Python
- Книга «Секреты Python Pro»
- Python, Треугольник Серпинского, и не только…
- OpenCV Image Translation
- Django and Pydantic
- Конвертеры маршрутов в Django 2.0+ (path converters)
- Печатаем текст на изображении с Pillow
- Django 3.1.6
- api-client 1.3.0 - гибкая библиотека для написания понятных апи клиентов

Заходите в гости - https://pythondigest.ru/issue/372/
Присылайте интересные новости через форму на сайте.

[Видео] Workshop: пишем первый проект на FastAPI
https://youtu.be/W6aqCFJp7Xo

Иван Гончарук из Antida software рассказывает про библиотеку Pydantic и показывает, как быстро и просто создавать Web API, используя современные возможности Python. Воркшоп подойдёт как для начинающих разработчиков, так и для специалистов с опытом, не знакомых с технологией FastAPI.

Test and Code: 143: pytest markers - Anthony Sottile
https://testandcode.com/143

Audio

Histogram matching with OpenCV, scikit-image, and Python
https://www.pyimagesearch.com/2021/02/08/histogram-matching-with-opencv-scikit-image-and-python/

Python⇒Speed: All Pythons are slow, but some are faster than others
https://pythonspeed.com/articles/faster-python/

Что такое фильтр Блума?
https://habr.com/ru/post/541378/?utm_campaign=541378&utm_source=habrahabr&utm_medium=rss

В этой статье я постараюсь описать, что такое фильтр Блума, рассказать о его назначении и показать сценарии, в которых его можно использовать. Я также реализую фильтр Блума на Python с нуля в целях облегчения понимания его внутреннего устройства.

SageMaker Studio quick start
https://jbencook.com/sagemaker-studio-quick-start/

A step-by-step quick start guide for SageMaker Studio. Start a Studio session, launch a notebook on a GPU instance and run object detection inference with a detectron2 pre-trained model.

Podcast.__init__: Giving Your Data Science Projects And Teams A Home At DagsHub
https://www.pythonpodcast.com/dagshub-data-science-collaboration-episode-301/

Audio

Новые возможности для Python-разработчиков: SmartApp Framework в open source
https://habr.com/ru/post/541420/?utm_campaign=541420&utm_source=habrahabr&utm_medium=rss

Платформа SmartMarket (https://salute.sber.ru/smartmarket/dev/) позволяет разработчику с любым уровнем подготовки создавать мультимодальные приложения для виртуальных ассистентов Салют, даже без программирования. Конечно, если хочется сделать что-то красивое и сложное, без кода не обойтись. Чтобы облегчить жизнь разработчикам, мы делимся с ними нашими наработками в open source. На митапе разработчиков SmartMarket, прошедшем в декабре, мы рассказали о новом фреймворке.

Ниже вы найдете текстовую версию доклада и его видеозапись.

11 друзей Sanic’а – собираем асинхронное веб-приложение на Python
https://habr.com/ru/post/531254/?utm_campaign=531254&utm_source=habrahabr&utm_medium=rss

Рано или поздно маленькие приложения разрастаются до нагруженных production-решений, поэтому программисту необходимо заранее продумать стек технологий. Для Python концептуальный выбор стоит между синхронными и асинхронными фреймворками. После появления библиотеки asyncio популярность асинхронных Python-фреймворков сильно выросла, потеснив таких монстров, как Django и Flask, и стало намного проще писать веб-приложения, способные пережить высокий RPS.

Root cause анализ инцидентов на корреляциях между временными рядами метрик ИТ-инфраструктуры
https://habr.com/ru/post/541610/?utm_campaign=541610&utm_source=habrahabr&utm_medium=rss

Одной из задач систем ИТ-мониторинга является сбор, хранение и анализ различных метрик, характеризующих как состояние различных элементов ИТ-инфраструктуры (загруженность CPU, объем свободной оперативной памяти, объем свободного дискового пространства и т.п.), так и состояние различных бизнес-процессов.

Зачем вам может понадобиться SITE_ID в настройках Django
https://habr.com/ru/post/530766/?utm_campaign=530766&utm_source=habrahabr&utm_medium=rss

Если вы не используете все возможности Django, то, очень вероятно, вы не пользуетесь SITE_ID. Этому способствуют как убогая официальная документация Sites framework (https://docs.djangoproject.com/en/3.1/ref/contrib/sites/), так и несогласованное с Sites развитие кода Django.


Предположу, что Sites скоро будет бездумно снесен свежими «разработчиками» Django, как это уже произошло с модулями Comments (Dj 1.6) или Formtools (Dj 1.8). А, пока этого не произошло, предлагаю вам поразмышлять о возможностях Django Sites framework.

[Видео] Moscow Python Podcast. Процесс найма глазами senior инженера (level: senior)
https://www.youtube.com/watch?v=fbpHeyPHUPU

В гостях у Moscow Python Podcast партнер в gms tech и g-mate Алексей Исаев. Обсудили с Алексеем основные этапы найма, ошибки и рекомендации при составлении резюме и многое другое.

Распознавание символов
https://habr.com/ru/post/541742/?utm_campaign=541742&utm_source=habrahabr&utm_medium=rss

Работа с изображениями — одна из самых распространенных задач в машинном обучении. Мы покажем пример обработки изображения, получение матриц (тензоров) чисел, подготовку данных обучающего множества, пример архитектуры нейронной сети.

New Testing Features in Django 3.2
https://adamj.eu/tech/2021/02/10/new-testing-features-in-django-3.2/

Анализируем время ответа собеседника
https://habr.com/ru/post/541750/?utm_campaign=541750&utm_source=habrahabr&utm_medium=rss

С появлением мессенджеров коммуникация перешла на новый уровень — возможность мгновенного доступа к собеседнику воспринимается теперь как должное. Но замечали ли вы, как на ваши ощущения от общения влияет скорость его ответа? Какое время ответа вообще считается приемлемым? Можем ли мы сказать, что проявляем неуважение, когда отвечаем на следующий день? Через неделю? Через месяц? В этой статьей мы не будем отвечать на эти вопросы. Зато без каких-либо глобальных выводов проведем небольшое исследование одного параметра — время ответа собеседником на наши сообщения. Достаем сырые данные Для исследования в нашем случае лучше всего подойдет Telegram. Прежде всего, потому что у него есть удобный api для Python.

Python Microservices With gRPC
https://realpython.com/python-microservices-grpc/

Python Bytes: #220 What, why, and where of friendly errors in Python
https://pythonbytes.fm/episodes/show/220/what-why-and-where-of-friendly-errors-in-python

Audio

Как скопировать стиль Уорхола с помощью нейросети VGG-19, трансферного обучения и TensorFlow
https://habr.com/ru/post/541758/?utm_campaign=541758&utm_source=habrahabr&utm_medium=rss

То что мы сделаем ещё называется Нейронный перенос стиля (https://en.wikipedia.org/wiki/Neural_Style_Transfer) – это метод смешивания двух изображений и создания нового изображения из изображения-контента путём копирования стиля другого изображения, которое называется изображением стиля. Созданное изображение часто называют стилизованным изображением.

Ранжирование текстов по похожести на опорные тексты при помощи модели TF-IDF в реализации GENSM
https://habr.com/ru/post/542048/?utm_campaign=542048&utm_source=habrahabr&utm_medium=rss

Бывает так, что критерии поиска текстов слишком сложны, чтобы обойтись регулярными выражениями. В таких случаях на помощь приходит ML. Если из списка текстов выбрать самый подходящий для нас, можно выяснить похожесть всех остальных текстов на этот. Похожесть(similarity) это численная мера, чем выше – тем более текст похож, поэтому при сортировке по убыванию по этому параметру мы увидим наиболее подходящие нам тексты из выборки.