Как скомпилировать программу на Python
https://habr.com/ru/post/542106/?utm_campaign=542106&utm_source=habrahabr&utm_medium=rss

Я хочу рассказать об удивительном событии, о котором я узнал пару месяцев назад. Оказывается, одна популярная python-утилита уже более года распространяется в виде бинарных файлов, которые компилируются прямо из python. И речь не про банальную упаковку каким-нибудь PyInstaller-ом, а про честную Ahead-of-time компиляцию целого python-пакета.

Краткая история о том, как развернуть веб-сервер Flask в docker контейнере
https://habr.com/ru/post/541826/?utm_campaign=541826&utm_source=habrahabr&utm_medium=rss

Для чего вообще нужен docker контейнер? Обычно, во время разработки, для каждого проекта вы настраиваете своё окружение. Но вот произошла такая ситуация: что-то случилось с вашим компьютером и приходится переустанавливать операционную систему(ОС). Соответственно, чтобы запустить ваш проект, необходимо настраивать окружение заново. Бывает ещё гигантское количество ситуаций, которые сводятся к одной проблеме - настройка окружения для разработки.

Анализ качества сна с машинным обучением, Python и SQL
https://habr.com/ru/post/541762/?utm_campaign=541762&utm_source=habrahabr&utm_medium=rss

Последние примерно 2 месяца я ношу кольцо Oura (https://ouraring.com/), чтобы получать информацию о моём сне и о том, сколько я прошла шагов за день. Приложение считывает сон, разбитый на фазы (лёгкий, глубокий, быстрый), и даёт вам другие показатели, такие как частота сердечных сокращений, температура тела и частота дыхания. И для такого ботаника, как я, радостно было обнаружить, что у Oura есть API экспорта данных, чтобы я смогла лучше проанализировать их. Я загрузила данные в BigQuery (https://cloud.google.com/bigquery/) и воспользовалась функцией CORR() (https://cloud.google.com/bigquery/docs/reference/standard-sql/statistical_aggregate_functions#corr) (она потрясающая!), чтобы увидеть, какие показатели коррелируют с улучшением качества сна, а также визуализировала некоторые данные в Data Studio (https://datastudio.google.com/). Если у вас мало времени, переходите к разделу «Заключение», чтобы прочитать о том, что я узнала.

Код-ревью в Практикуме: как мы делаем его быстрее и эффективнее
https://habr.com/ru/post/541954/?utm_campaign=541954&utm_source=habrahabr&utm_medium=rss

Код-ревью — полезный инструмент для командной разработки и для прокачки собственных навыков. Код-ревью помогает обнаружить недочёты в коде: как синтаксические или стилистические ошибки, так и неоптимальные или неэффективные подходы. В командной разработке, когда команда делает большой проект, код-ревью также помогает оставаться в курсе изменений в разных частях кода.

Генерация текста с помощью GPT2 и PyTorch
https://habr.com/ru/post/542116/?utm_campaign=542116&utm_source=habrahabr&utm_medium=rss

Генерация текста (https://en.wikipedia.org/wiki/Natural-language_generation) — одна из самых захватывающих прикладных задач обработки естественного языка (Natural Language Processing - NLP) (https://en.wikipedia.org/wiki/Natural_language_processing) за последние годы. Большинство из нас, вероятно, слышали о GPT-3 (https://arxiv.org/abs/2005.14165), мощной языковой модели, которая может генерировать тексты, близкие к написанным человеком. Однако такие модели чрезвычайно трудно обучать из-за их большого размера, поэтому предварительно обученные модели обычно предпочтительнее там, где это приемлемо.

The Real Python Podcast – Episode #47: Unraveling Python's Syntax to Its Core With Brett Cannon
https://realpython.com/podcasts/rpp/47/

Audio

Talk Python to Me: #303 Python for Astronomy with Dr. Becky
https://talkpython.fm/episodes/show/303/python-for-astronomy-with-dr.-becky

Audio

Test and Code: 144: TDD in Science - Martin Héroux
https://testandcode.com/144

Audio

pipe-framework - Pipe Framework
https://pypi.org/project/pipe-framework/

NoMVC веб-микрофреймворк, основаный на операциях с преобразованиями данных

Weekly Python StackOverflow Report: (cclxiii)
http://python-weekly.blogspot.com/2021/02/cclxiii-stackoverflow-python-report.html

#python #pydigest

Сборник Python новостей уже перед вами.

В выпуске Python Дайджест вы найдете:

- Новые возможности для Python-разработчиков: SmartApp Framework в open source
- 11 друзей Sanic’а – собираем асинхронное веб-приложение на Python
- Краткая история о том, как развернуть веб-сервер Flask в docker контейнере
- Как скопировать стиль Уорхола с помощью нейросети VGG-19, трансферного обучения и TensorFlow
- Анализируем время ответа собеседника
- Зачем вам может понадобиться SITE_ID в настройках Django
- Анализ качества сна с машинным обучением, Python и SQL
- Генерация текста с помощью GPT2 и PyTorch
- [Видео] Workshop: пишем первый проект на FastAPI
- pipe-framework - Pipe Framework

Заходите в гости - https://pythondigest.ru/issue/373/
Присылайте интересные новости через форму на сайте.

7 полезных расширений VS Code для Python-разработчиков
https://habr.com/ru/post/542286/?utm_campaign=542286&utm_source=habrahabr&utm_medium=rss

Разбираемся с not в Python
https://habr.com/ru/post/542474/?utm_campaign=542474&utm_source=habrahabr&utm_medium=rss

В этой статье из серии про синтаксический сахар (https://snarky.ca/tag/syntactic-sugar/) в Python я займусь на первый взгляд очень простым синтаксисом, но на самом деле, чтобы разобраться в механике его работы, нужно погрузиться вглубь на несколько слоев. Мы будем говорить о not.

Автоматическая документация для Flask с использованием OpenAPI
https://habr.com/ru/post/542204/?utm_campaign=542204&utm_source=habrahabr&utm_medium=rss

Техническая документация, как известно, крайне важная часть любого проекта. До недавнего времени мы прекрасно жили с таким генератором документаций как Sphinx. Но наступил момент переходить на технологии с бОльшим набором возможностей, поэтому мы приняли решение переписать нашу документацию на более современный стандарт: OpenAPI Specification. Эта статья является скромным гайдом по такому переезду. Она будет интересна Python-разработчикам, особенно тем, которые используют Flask. После ее прочтения вы узнаете, как создать статическую OpenAPI документацию для Flask приложения и развернуть ее в GitLab Pages.

Automatic color correction with OpenCV and Python
https://www.pyimagesearch.com/2021/02/15/automatic-color-correction-with-opencv-and-python/

Podcast.__init__: CrossHair: Your Automatic Pair Programmer
https://www.pythonpodcast.com/crosshair-automated-bug-finder-episode-302/

Audio

Вы бы доверили свою задачу ИИ? 7 вопросов, которые помогут определиться
https://habr.com/ru/post/542260/?utm_campaign=542260&utm_source=habrahabr&utm_medium=rss

Эта статья - авторства Эми Бойд. Подробнее о ней вы можете узнать здесь (https://developer.microsoft.com/ru-ru/advocates/amy-boyd).
На одном из докоронавирусных мероприятий Microsoft Reactor в Лондоне  (https://developer.microsoft.com/en-us/reactor/?WT.mc.id=aiml-15614-amynic)я посетила действительно интересный семинар Future Recoded, посвященный этике в искусственном интеллекте.

Python 3.7.10 and 3.6.13 security updates now available
http://feedproxy.google.com/~r/PythonInsider/~3/NfEAmX9_8yk/python-3710-and-3613-security-updates.html

Повторяем когортный анализ. Комплексный подход — Python, SQL, Power BI
https://habr.com/ru/post/542626/?utm_campaign=542626&utm_source=habrahabr&utm_medium=rss

Данная статья является продолжением публикации "Повторяем когортный анализ, выполненный в Power BI, силами Python" (ссылка (https://habr.com/ru/post/501492/)). Настоятельно рекомендую познакомиться с ней хотя бы бегло, иначе последующее повествование будет вам малопонятным. С момента ее выхода на Хабр прошло достаточно времени. Я основательно пересмотрел методологию решения подобных задач. Первым желанием было просто переписать старый материал, но после недолгих размышлений я пришел к выводу, что более разумным шагом будет оформить наработки в новую рукопись.

Подбор гиперпараметров ML-модели с помощью HYPEROPT
https://habr.com/ru/post/542624/?utm_campaign=542624&utm_source=habrahabr&utm_medium=rss

В машинном обучении гиперпараметрами называют параметры модели, значения которых устанавливаются перед запуском процесса её обучения. Ими могут быть, как параметры самого алгоритма, например, глубина дерева в random forest, число соседей в knn, веса нейронов в нейронный сетях, так и способы обработки признаков, пропусков и т.д. Они используются для управления процессом обучения, поэтому подбор оптимальных гиперпараметров – очень важный этап в построении ML-моделей, позволяющий повысить точность, а также бороться с переобучением. На сегодняшний день существуют несколько популярных подходов к решению задачи подбора