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. 

Пишем чат с анализом настроения с помощью Next.js

https://tprg.ru/ocne

Подготовили материал, в котором показываем, как разработать чат, который будет анализировать эмоции человека по словам в его сообщениях.

По ходу действия разберёмся с некоторыми инструментами, которые пригодятся для создания проекта:
— Pusher для создания приложений реального времени,
— Sentiment для анализа настроения собеседника,
— React и Next.js для создания веб-приложений.

#веб #javascript

ПОРТАЛ ОТКРЫТЫХ ДАННЫХ МИНКУЛЬТУРЫ РОССИИ

https://opendata.mkrf.ru/

Как написать web framework. Часть III
http://rahmonov.me/posts/write-python-framework-part-three/

C++ game
https://code.pragyan.org

the HoughCircles() method

How to solve algorithm challenges in job interviews - a free 4-hour course. This is taught using Python, which is similar to JavaScript and also worth learning. (4 hour watch):

https://www.freecodecamp.org/news/python-algorithms-for-job-interviews