Покоряем гору временных рядов: делаем прогноз для 200+ рядов с библиотекой Etna
https://habr.com/ru/companies/magnit/articles/985864/
Как построить несколько графиков одновременно без «слипшихся» меток по осям, заканчивая поиском подходящего метода очистки ряда от аномалий. И всё это венчает цикл по каждому ряду с бесконечным жонглированием данными между numpy, pandas, sklearn, yet_another_library. Если вы DS, и тоже, как и я, устали от вот этого всего, добро пожаловать под кат. Я покажу, как написать production-ready код для прогноза 200+ временных рядов от EDA до результата. Разберем на практике, как бороться с аномалиями, ловить смены тренда и в итоге – получить масштабируемое решение, а не очередной «велосипед».
https://habr.com/ru/companies/magnit/articles/985864/
Как построить несколько графиков одновременно без «слипшихся» меток по осям, заканчивая поиском подходящего метода очистки ряда от аномалий. И всё это венчает цикл по каждому ряду с бесконечным жонглированием данными между numpy, pandas, sklearn, yet_another_library. Если вы DS, и тоже, как и я, устали от вот этого всего, добро пожаловать под кат. Я покажу, как написать production-ready код для прогноза 200+ временных рядов от EDA до результата. Разберем на практике, как бороться с аномалиями, ловить смены тренда и в итоге – получить масштабируемое решение, а не очередной «велосипед».
SQLAlchemy - 2.0.46
https://pypi.org/project/sqlalchemy/2.0.46/
Библиотека работы с базами данных. Скачать можно по ссылке: https://pypi.python.org/pypi/SQLAlchemy/
https://pypi.org/project/sqlalchemy/2.0.46/
Библиотека работы с базами данных. Скачать можно по ссылке: https://pypi.python.org/pypi/SQLAlchemy/
CPython — Сборка мусора изнутри, ч.3
https://habr.com/ru/articles/986784/
В прошлых частях мы поговорили о том, как происходит регистрация объектов в сборщике мусора, о том как происходит планирование и вызов сборки мусора, что такое молодое поколение и как устроена для него сборка мусора. В этой части пришло время поговорить об инкрементальной сборке мусора - главному нововведению версии 3.14 в части сборки мусора. Поговорим, как она устроена, какие даёт преимущества и какие имеет недостатки, а также затронем полную сборку мусора.
https://habr.com/ru/articles/986784/
В прошлых частях мы поговорили о том, как происходит регистрация объектов в сборщике мусора, о том как происходит планирование и вызов сборки мусора, что такое молодое поколение и как устроена для него сборка мусора. В этой части пришло время поговорить об инкрементальной сборке мусора - главному нововведению версии 3.14 в части сборки мусора. Поговорим, как она устроена, какие даёт преимущества и какие имеет недостатки, а также затронем полную сборку мусора.
Трёхстрочный Deep Learning: 20 примеров нейросетевой магии
https://habr.com/ru/articles/986782/
В 2012 году AlexNet потряс мир — тысячи строк кода, две видеокарты, недели обучения. Сегодня вы превзойдёте его одной строкой, а модель загрузится за секунды. В статье — 20 полностью рабочих примеров глубокого обучения, каждый ровно в три строки Python. Анализ тональности, резюмирование текста, вопросно-ответные системы, генерация текста, перевод, NER. Детекция объектов, сегментация, оценка глубины, поиск изображений по описанию.
https://habr.com/ru/articles/986782/
В 2012 году AlexNet потряс мир — тысячи строк кода, две видеокарты, недели обучения. Сегодня вы превзойдёте его одной строкой, а модель загрузится за секунды. В статье — 20 полностью рабочих примеров глубокого обучения, каждый ровно в три строки Python. Анализ тональности, резюмирование текста, вопросно-ответные системы, генерация текста, перевод, NER. Детекция объектов, сегментация, оценка глубины, поиск изображений по описанию.
Coreness: от одного бота к сотням — self-hosted open-source платформа для AI-агентов
https://habr.com/ru/articles/986354/
Coreness — open-source платформа на Python с YAML-сценариями, RAG через PostgreSQL и плагинной архитектурой. Внутри статьи — разбор event-driven архитектуры без воды, пошаговый пример (от git clone до работающего бота с оплатами) и взгляд на то, как расширять платформу через плагины под свои задачи.
https://habr.com/ru/articles/986354/
Coreness — open-source платформа на Python с YAML-сценариями, RAG через PostgreSQL и плагинной архитектурой. Внутри статьи — разбор event-driven архитектуры без воды, пошаговый пример (от git clone до работающего бота с оплатами) и взгляд на то, как расширять платформу через плагины под свои задачи.
What’s New in pandas 3.0
https://codecut.ai/pandas-3-whats-new/
Learn what’s new in pandas 3.0: pd.col expressions for cleaner code, Copy-on-Write for predictable behavior, and PyArrow-backed strings for 5-10x faster operations.
https://codecut.ai/pandas-3-whats-new/
Learn what’s new in pandas 3.0: pd.col expressions for cleaner code, Copy-on-Write for predictable behavior, and PyArrow-backed strings for 5-10x faster operations.
Fun With Mypy: Reifying Runtime Relations on Types
https://langston-barrett.github.io/blog/mypy-reify.html
This post describes how to implement a safer version of typing.cast which guarantees a cast type is also an appropriate sub-type.
https://langston-barrett.github.io/blog/mypy-reify.html
This post describes how to implement a safer version of typing.cast which guarantees a cast type is also an appropriate sub-type.
sorl-thumbnail - 13.0.0
https://pypi.org/project/sorl-thumbnail/13.0.0/
Приложение для создания миниатюр изображений в Django. Скачать можно по ссылке: https://pypi.python.org/pypi/sorl-thumbnail/
https://pypi.org/project/sorl-thumbnail/13.0.0/
Приложение для создания миниатюр изображений в Django. Скачать можно по ссылке: https://pypi.python.org/pypi/sorl-thumbnail/
graphqlite: Graph Database SQLite Extension
https://github.com/colliery-io/graphqlite
https://github.com/colliery-io/graphqlite
gunicorn - 24.0.0
https://pypi.org/project/gunicorn/24.0.0/
WSGI HTTP-сервер для UNIX. Скачать можно по ссылке: https://pypi.python.org/pypi/gunicorn/
https://pypi.org/project/gunicorn/24.0.0/
WSGI HTTP-сервер для UNIX. Скачать можно по ссылке: https://pypi.python.org/pypi/gunicorn/
Лагерь сделал из поэта язычника. Проследил динамику философских взглядов Заболоцкого с помощью Python
https://habr.com/ru/articles/987444/
С помощью Python математически проследил эволюцию философских взглядов поэта на его творческом пути.
https://habr.com/ru/articles/987444/
С помощью Python математически проследил эволюцию философских взглядов поэта на его творческом пути.
MCP (КОМПАС-3D + LLM): превращаем САПР в среду для AI-агентов с помощью Python и COM API
https://habr.com/ru/articles/987312/
Есть рутина, которую вы мечтаете автоматизировать? Или идеи, чего не хватает в повседневной работе? Напишите в комментариях или мне на почту (она в конце поста). Буду рад любым предложениям: что добавить, что упростить, а что вообще переделать. И если для веба коннекторы появились сразу, то инженерный софт незаслуженно забыли. Я решил это исправить и дал нейросети прямой доступ к API КОМПАС-3D.
https://habr.com/ru/articles/987312/
Есть рутина, которую вы мечтаете автоматизировать? Или идеи, чего не хватает в повседневной работе? Напишите в комментариях или мне на почту (она в конце поста). Буду рад любым предложениям: что добавить, что упростить, а что вообще переделать. И если для веба коннекторы появились сразу, то инженерный софт незаслуженно забыли. Я решил это исправить и дал нейросети прямой доступ к API КОМПАС-3D.
🔥1
gunicorn - 24.1.0
https://pypi.org/project/gunicorn/24.1.0/
WSGI HTTP-сервер для UNIX. Скачать можно по ссылке: https://pypi.python.org/pypi/gunicorn/
https://pypi.org/project/gunicorn/24.1.0/
WSGI HTTP-сервер для UNIX. Скачать можно по ссылке: https://pypi.python.org/pypi/gunicorn/
greenlet - 3.3.1
https://pypi.org/project/greenlet/3.3.1/
Модуль для легковесных потоков в Python. Скачать можно по ссылке: https://pypi.python.org/pypi/greenlet/
https://pypi.org/project/greenlet/3.3.1/
Модуль для легковесных потоков в Python. Скачать можно по ссылке: https://pypi.python.org/pypi/greenlet/
Как заставить LLM сортировать данные: от наивного подхода до TrueSkill
https://habr.com/ru/articles/987538/
Если вы когда-нибудь грузили в LLM список и просили выбрать лучшее или отсортировать — вы, скорее всего, получали посредственный результат. Я проверил это на 164 постах своего телеграм-канала, сравнив пять разных методов сортировки. Оказалось, что разница между «дёшево и плохо» и «дёшево и хорошо» — в правильном алгоритме, а не в модели.
https://habr.com/ru/articles/987538/
Если вы когда-нибудь грузили в LLM список и просили выбрать лучшее или отсортировать — вы, скорее всего, получали посредственный результат. Я проверил это на 164 постах своего телеграм-канала, сравнив пять разных методов сортировки. Оказалось, что разница между «дёшево и плохо» и «дёшево и хорошо» — в правильном алгоритме, а не в модели.
Golfing APL/K in 90 Lines of Python
https://aljamal.substack.com/p/golfing-aplk-in-90-lines-of-python
https://aljamal.substack.com/p/golfing-aplk-in-90-lines-of-python
gunicorn - 24.1.1
https://pypi.org/project/gunicorn/24.1.1/
WSGI HTTP-сервер для UNIX. Скачать можно по ссылке: https://pypi.python.org/pypi/gunicorn/
https://pypi.org/project/gunicorn/24.1.1/
WSGI HTTP-сервер для UNIX. Скачать можно по ссылке: https://pypi.python.org/pypi/gunicorn/
Автоматизированные системы мониторинга моделей машинного обучения с помощью нашего open source фреймворка
https://habr.com/ru/companies/vsk_insurance/articles/988282/
Любая модель машинного обучения начинается с данных. Известное выражение «garbage in, garbage out» как нельзя лучше описывает главную уязвимость ML‑систем. В автоматизированном машинном обучении (AutoML) наиболее критичными точками являются процесс сборки данных и проблема мониторинга данных, в т.ч. в онлайне. Если процессы feature engineering и обучения наша библиотека формализует «из коробки» с помощью конфигурационных файлов и единых правил, то ответственность за загрузку и получение данных несет пользователь.
https://habr.com/ru/companies/vsk_insurance/articles/988282/
Любая модель машинного обучения начинается с данных. Известное выражение «garbage in, garbage out» как нельзя лучше описывает главную уязвимость ML‑систем. В автоматизированном машинном обучении (AutoML) наиболее критичными точками являются процесс сборки данных и проблема мониторинга данных, в т.ч. в онлайне. Если процессы feature engineering и обучения наша библиотека формализует «из коробки» с помощью конфигурационных файлов и единых правил, то ответственность за загрузку и получение данных несет пользователь.
I Created a Game Engine for Django?
https://en.andros.dev/blog/6e9e4485/i-created-a-game-engine-for-django/
Multiplayer Snake implemented in Django using Django LiveView, 270 lines of Python, server side game state, WebSocket driven HTML updates, no custom JavaScript.
https://en.andros.dev/blog/6e9e4485/i-created-a-game-engine-for-django/
Multiplayer Snake implemented in Django using Django LiveView, 270 lines of Python, server side game state, WebSocket driven HTML updates, no custom JavaScript.
chunkhound - Local first codebase intelligence
https://github.com/chunkhound/chunkhound
https://github.com/chunkhound/chunkhound