Пошаговый туториал по Machine Learning
https://codequs.com/p/BkaLEq8r4/a-complete-machine-learning-project-walk-through-in-python

Сортировка и объединение связаного списка
https://stackabuse.com/sorting-and-merging-single-linked-list/

Поговорим о структурах данных в Python
https://apirobot.me/posts/lets-talk-about-data-structures-in-python

Esolang: Piet, an easy tutorial

http://homepages.vub.ac.be/~diddesen/piet/index.html

Piet on the Net and in the Media

http://www.dangermouse.net/esoteric/piet/tools.html

​​Статья "Импорт данных о расходах в Google Analytics с помощью R", Макса Гапчука.

По сути это пошаговое руководство о том, как настроить передачу данных о расходах из Facebook в Google Analytics.

Для этого вам необходимо:
-Собрать необходимые данные с рекламного кабинета Facebook
- Создать приложение в Facebook
- Получить токен разработчика Facebook
- Получить необходимые данные с рекламного кабинета Facebook
- Создать в Google Analytics набор данных для импорта
- Преобразовать данные с рекламного кабинета в необходимый формат
- Настроить ежедневную автоматическую загрузку необходимых данных
- Создать сервисный аккаунт для работы с API Google Analytics

Каждый шаг подробно описан в статье.

Настроить ежедневную автоматическую загрузку данных

​​Александр Васильев (@klp52142) недавно поделился со мной чрезвычайно полезной вещью, ссылкой на "Каталог Визуализации Данных".

Удобное руководство и библиотека различных методов визуализации данных, инструментов и учебного ресурса для визуализации данных.

Содержит подробное описание огромного количества типов диаграм, с перечислением инструментов в которых возможно построить выбранный тип диаграммы.

Статья "Пилим данные с комфортом" будет полезна тем, кто ежемесячно / ежегодно тратит много времени приформировании плановых показателей.

Автор по шагам описывает алгоритм распределния плановых показателей, и в конце статьи делится функцией которая поможет выполнить эту операцию наиболее быстро.

​​Андрей Акиньшин ещё в 2013 году написал подробную шпаргалку посвящённую базовым возможностям языка R.

Базовый синтаксис R практически не меняется с целью совместимости кода с новыми версиями, поэтому данный материал по прежнему актуален, и будет актуален ещё не один год.

От автора:
В R очень много разных полезных функций. И многие большие вещи можно сделать весьма быстро, написав очень мало кода. На официальном сайте есть замечательная шпаргалка на английском языке: R reference card. В сети есть несколько вольных урезанных переводов, но они не очень удобные. Ниже вашему вниманию представляется русифицированная модифицированная версия обзора основных функций R. Команды снабжены ссылками на online-мануал.

Для тех, кто доверяет лучшим книгам по программированию больше, чем различным вебинарам и видеокурсам:

— Выбор сообщества: https://tproger.ru/books/books-the-chosen-ones/ — подборка книг, одобренных нашими подписчиками.

— Бестселлеры Скотта Мейерса: https://tproger.ru/books/cpp-books/ — 4 лучшие книги по C++.

— 4 книги о системах контроля версий, которые дадут о них полное представление: https://tproger.ru/books/4-books-about-vcs/

— Серия Head First: https://tproger.ru/books/head-first-programming/ — 10 лучших книг для начинающих разработчиков по всем языкам программирования.

— 5 маст-рид книг для новичков: https://tproger.ru/books/programming-language-for-newbie/ — как быстро выучить новый язык программирования.

— Подборка книг, чтобы быстро изучить веб-разработку: https://tproger.ru/books/web-programming-books/

— Новичок вы или уже имеете за плечами несколько проектов — в любом случае вам будет полезна только лучшая и признанная литература о нелегкой профессии программиста: https://tproger.ru/sponsored/best-programming-books-ever/

Еще больше книг: https://tproger.ru/category/books/

[Перевод] Управление памятью в Python
https://habr.com/ru/post/441568/?utm_campaign=441568

Задумывались ли вы когда-нибудь о том, как данные, с которыми вы работаете, выглядят в недрах Python? О том, как переменные создаются и хранятся в памяти? О том, как и когда они удаляются? Материал, перевод которого мы публикуем, посвящён исследованиям глубин Python, в ходе которых мы попытаемся выяснить особенности управления памятью в этом языке. Изучив эту статью, вы разберётесь с тем, как работают низкоуровневые механизмы компьютеров, в особенности те из них, которые связаны с памятью. Вы поймёте то, как Python абстрагирует низкоуровневые операции и познакомитесь с тем, как он управляет памятью.

Сервим всё
https://habr.com/ru/post/440908/?utm_campaign=440908

Про создание и обучение моделей нейронных сетей (навыков) на Хабре написано не мало, поэтому не будем об этом сегодня. Обучив или получив сериализованные навыки ИИ, мы рассчитываем использовать их в наших целевых информационных системах, и тут возникает проблема. То что работает на стенде в лаборатории не перенести в производство в исходном виде, необходимо внедрение всего сопряженного стека технологий и даже существенная доработка под целевую платформу (есть, конечно, исключения в виде CoreML, но это частный случай и только для техники Apple). К тому же, инструментов разработки и сериализации моделей великое множество, неужели для каждого придется разрабатывать отдельное решение для интеграции? Кроме того, даже в лаборатории часто возникает необходимость получить быстрый вывод от модели, не ожидая прогрузки всего связанного девелоперского стека.


В качестве предложения по решению данных проблем я хотел бы рассказать про сравнительно новый opensource инструмент, который, возможно, будет вам полезен при разработке проектов, связанных с ИИ.

Генерируем изображение с кодом с помощью Carbon и Selenium
https://pybit.es/python-tips-carbon-selenium.html

Введение в аннотации типов Python. Продолжение
https://habr.com/ru/post/435988/?utm_campaign=435988

В первой части статьи (https://habr.com/company/lamoda/blog/432656/) я описал основы использования аннотаций типов. Однако несколько важных моментов остались не рассмотрены. Во-первых, дженерики — важный механизм, во-вторых иногда может оказаться полезным узнать информацию об ожидаемых типах в рантайме. Но начать хотелось с более простых вещей

[Видео] Что внутри у питона: как устроена память
https://www.youtube.com/watch?v=lSgoYx06L_s

Злата Обуховская (Teamlead в Nvidia, евангелист MoscowPython)
"В этой части докладов про внутренности питона мы посмотрим, как происходит выделение памяти, как работают счетчики ссылок, кэши объектов и сборка мусора, а также разберемся, причем тут GIL".
Слайды: http://www.moscowpython.ru/meetup/63/python-memory/
Цикл "Что внутри у Питона": https://www.youtube.com/playlist?list=PLv_zOGKKxVpi6BSAuySAtX5KyCa50PSCz

Жизненный цикл кода на Python – модель выполнения CPython
https://habr.com/ru/post/442252/?utm_campaign=442252

Python компилируемый и интерпретируемый язык. Таким образом компилятор Python генерирует байткоды, а интерпретатор исполняет их.

AsyncIO Micropython: методы синхронизации в асинхронном программировании
https://habr.com/ru/post/442268/?utm_campaign=442268

В последовательном программировании я постоянно сталкиваюсь с очевидным желанием не останавливать работу программы в момент, когда целью отдельных задач(процессов) является периодические действия — например, опрос значений датчиков, или передача данных по расписанию на сервер, или ввод/вывод большого объема данных. Самое простое, конечно, дождаться завершения периодического события и затем, не спеша, продолжить выполнять другие задачи.