Щотижнева підбірка свіжих і найбільш значущих новин o python

Для зручного взаємодії з нашим сервісом Віртуальне приватне хмара ми розробили бібліотеку selvpcclient. Вона написана на мові Python і покриває весь API, завдяки чому ви можете управляти проектами, квотами, ресурсами зі свого програмного коду або консолі.

Мобільні оператори, надаючи різноманітні сервіси, накопичують величезну кількість статистичних даних. Я уявляю відділ, який реалізує систему управління трафіком абонентів. яка в процесі експлуатації у оператора генерує сотні гігабайт статистичної інформації на добу. Мене зацікавило питання: як в цих Великих Даних (Big Data) виявити максимум корисної інформації? Адже не дарма одна з V в визначенні Big Data - це додатковий дохід.

Є такий крок в розвитку мови, коли його компілятор написаний на ньому ж.
Щоб довести крутість бібліотеки trafaret я теж вирішив зробити щось таке ж
рекурсівненькое, де треба йти глибше.

Напишемо на трафареті парсер Json Schema, який на виході поверне
готовий трафарет для перевірки документів відповідно до даним описом.

Тобто якийсь об'єкт типу Trafaret, якщо йому згодувати коректний документ json schema
на виході поверне об'єкт типу Trafaret, якому можна годувати документи
що відповідають опису.

Днями, за мотивами чергової статті. присвяченій проблемі расизму в розпізнаванні мови, я брала участь у великій суперечці про те, хто в цьому винен. Частина людей була впевнена, що це змова програмістів. Насправді, правда криється в даних, які ІІ використовує для свого навчання. Я вирішила провести експеримент, щоб наочно довести це. Виявилося, що Роб Спір (Rob Speer) вже все зробив за мене.

Я хотів би розповісти про те, як створив проект з розпізнавання рукописного введення цифр з моделями, які дообучаются на намальованих користувачами цифрах. Використовується дві моделі: проста нейронна мережа (FNN) на чистому numpy і сверточное мережу (CNN) на Tensorflow. Ви зможете дізнатися, як зробити практично з нуля наступне ..

Мені потрібен був інструмент. Гострий, практичний, універсальний. Що відповідає всім моїм вимогам і розширюваний по моєму бажанню.

Але простий і зручний. Тут треба зазначити, що на основній роботі я не розробник, тому постійного місця програмування на робочому компі не маю і, коли це потрібно, пишу на чому доведеться - bat, JScript, VBA в MSOffice (так, це Windows, корпоративні системи, тут немає bash і perl «з коробки»), макроси в різному ПО і т.д. Все це допомагає вирішити поточну задачу, але рівень і можливості маленько не ті, що хотілося б мати.

Коротше, мені потрібна інтегроване середовище з вбудованим мовою програмування, в якій я міг розбирати і конвертувати файли, лазити в бази даних, отримувати звіти, викликати веб-сервіси, плодити запити в Джире і т.д. і т.п.

Слід зазначити, що методи вирішення завдань лінійного програмування відносяться не до економіки, а до математики і обчислювальної техніки. При цьому економісту потрібно забезпечити максимально комфортні умови діалогу з відповідним програмним забезпеченням. У свою чергу такі умови можуть забезпечувати тільки динамічно розвиваються і інтерактивні середовища розробки, що мають в своєму арсеналі набір необхідних для вирішення таких завдань бібліотек. Однією з яких середовищ розробки програмного забезпечення безумовно є Python.

Написав таки замітку, про яку думав 3 місяці. Сподіваюся вона допоможе людям поліпшити їх англійська в частині сприйняття мови.

Одна з головних проблем при написанні великих (відносно) програм на Python - мінімізація споживання пам'яті. Однак управляти пам'яттю тут легко - якщо вас взагалі це хвилює. Пам'ять в Python виділяється прозоро, управління об'єктами відбувається за допомогою системи лічильників посилань (reference count), і пам'ять вивільняється, коли лічильник падає до нуля. В теорії все чудово. А на практиці вам потрібно знати кілька речей про управління пам'яттю в Python, щоб ваші програми ефективно її використовували. Перша річ, треба добре в ній розбиратися: розміри основних об'єктів в Python. І друга річ: як влаштовано управління «під капотом» мови.

Вирішив написати про застосування нейронних мереж в зовсім не традиційною для них сфері: аутентифікація. Це лежить поза завдань машинного навчання, і то від чого в ML намагаються позбутися - тут заохочується.