🤖 CrewAI: платформа для управления ролевыми играми автономных агентов с искусственным интеллектом. Развивая совместный интеллект, CrewAI позволяет агентам слаженно работать вместе, решая сложные задачи.

🖥 GIthub (https://github.com/crewAIInc/crewAI)
⭐️ Docs (https://docs.crewai.com/)
@pythonl (https://t.me/pythonl)
@python_be1

Крутая шпаргалка по Machine Learning

На одной картинке - самое важное из мира машинного обучения.

На ней ключевые направления:

⭐ Регрессия (OLS, SVM, Random Forest)
⭐ Классификация (Naive Bayes, Decision Tree, нейронки)
⭐ Кластеризация (K-Means, DBSCAN)
⭐ Компьютерное зрение (CNN, YOLO, GANs)
⭐ NLP/LLM (GPT, BERT, Word2Vec)
⭐ Рекомендательные системы, Прогнозирование
@python_be1

👩‍💻 pandas-datareader (https://github.com/pydata/pandas-datareader?tab=readme-ov-file) — библиотека для получения финансовых и экономических данных из различных удалённых источников и API, таких как Yahoo Finance, FRED, и World Bank! Это расширение для библиотеки pandas, которое упрощает доступ к данным для анализа.

💡 Основные функции — чтение данных из множества Интернет-источников и кэширование запросов для оптимизации производительности. Библиотека поддерживает Python версии 3.6 и выше и регулярно используется в исследовательской и аналитической среде для работы с временными рядами и финансовыми данными

🔐 Лицензия: BSD-3-Clause

🖥 Github (https://github.com/pydata/pandas-datareader)

@pythonl
@python_be1

👩‍💻 Odoo (https://github.com/odoo/odoo?tab=readme-ov-file) — большая платформа на Python с открытым исходным кодом для управления бизнес-процессами, включающую множество модулей для управления продажами, складом, бухгалтерией, проектами, CRM и другими аспектами! Odoo разработан как ERP-система, которую можно расширять и адаптировать под различные бизнес-потребности.

🔐 Лицензия: LGPLv3

🖥 Github (https://github.com/odoo/odoo?tab=readme-ov-file)

@pythonl
@python_be1

👩‍💻 mongoengine (https://github.com/MongoEngine/mongoengine) — Python-библиотека для работы с базами данных MongoDB, предоставляющая объектно-документный маппинг (ODM)!

🌟 Она позволяет разработчикам описывать документы в виде Python-классов с типизированными полями, делая работу с MongoDB удобной и похожей на использование ORM в реляционных базах.

🌟 Библиотека поддерживает валидацию данных, вложенные документы, связи между документами и удобные запросы через Python-методы. MongoEngine часто используется в проектах, где требуется сочетание гибкости MongoDB и строгой структуры данных.

🔐 Лицензия: MIT

🖥 Github (https://github.com/MongoEngine/mongoengine)

@data_analysis_ml
@python_be1

🔥 Это — модель компьютера, на которой был разработан UNIX Кеном Томпсоном и Деннисом Ритчи! Сможете ли вы угадать, что это за компьютер?

@linuxacademiya
@python_be1

⚡Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь:

Машинное обучение: https://t.me/+J4AzVdLQGbEwOWQy
Python: t.me/pythonl
ИИ/технологии t.me/vistehno
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
C#: t.me/csharp_ci
Go: t.me/Golang_google
Хакинг: t.me/linuxkalii
Java: t.me/javatg
Javascript: t.me/javascriptv
React: t.me/react_tg
C++/ t.me/cpluspluc
Devops: t.me/devOPSitsec
Linux: t.me/linuxacademiya
Docker: t.me/DevopsDocker
Rust: t.me/rust_code
PHP: t.me/phpshka
Android: t.me/android_its
Big Data: t.me/bigdatai
Тестирование:https://t.me/+F9jPLmMFqq1kNTMy
Аналитика данных: https://t.me/+mAXY9ppJwitkMDBi
Kubernets: t.me/+vE7jzitan5QzZjVi
1900 разобранных вопросов с собеседований мл t.me/machinelearning_interview
Frontend https://t.me/+U3U3HoZzEglkNDdi
2310 вопросов с python собеседований t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Разработка игр: https://t.me/+UQidyqnWfY82NGIy

😆ИТ-Мемы: t.me/memes_prog

🇬🇧Английский: t.me/english_forprogrammers

📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

ИИ: t.me/vistehno

Книги по искусственному интеллекту https://t.me/+2rl907ptiWliYmYy

💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Java разработчика: https://t.me/addlist/ZM3J6oFNAnRlNWU6
Папка С# https://t.me/addlist/u15AMycxRMowZmRi
Папка frontend https://t.me/addlist/mzMMG3RPZhY2M2Iy
Бесплатный Chatgpt бот: t.me/Chatgpturbobot
🔥 1935 ГБ ОПЕНСОРС курсов: https://t.me/+1cPKgIcza4Y5NGFi
@python_be1
http://t.me/ai_machinelearning_big_data

👩‍💻 ZIM — инструмент на Python для матирования изображений (image matting), особенно полезный для задач по удалению фонов с изображений, где требуется выделить конкретный объект. Этот процесс включает сегментацию объектов и фона с высокими деталями, что часто используется для редактирования изображений и улучшения контента.

🌟 На практике ZIM использует машинное обучение для точного различения границ объектов, обеспечивая четкость и правильность выделения даже на сложных фонах.

🔐 Лицензия: CC BY-NC 4.0

🖥 Github (https://github.com/naver-ai/ZIM)

@pythonl
@python_be1

🖥 Paramiko (https://github.com/paramiko/paramiko) — библиотека, реализующая протокол SSHv2 на языке Python!

🌟 Эта библиотека предоставляет функциональность как для SSH-клиентов, так и для серверов, включая такие возможности, как удаленное выполнение команд и безопасная передача файлов. Она используется как основа для более высокоуровневых инструментов, таких как Fabric, которые предназначены для автоматизации задач администрирования серверов.

🔐 Лицензия: LGPL-2.1

🖥 Github (https://github.com/paramiko/paramiko)
@pythonl (https://t.me/pythonl)
@python_be1

👩‍💻 Pexpect (https://github.com/pexpect/pexpect) — это библиотека для Python, предназначенная для автоматизации взаимодействия с приложениями через терминал!

🌟 Она предоставляет инструменты для управления дочерними процессами, отправки команд и ожидания определённых ответов, используя концепцию "ожидания" (expect). Это особенно полезно для скриптов, которые должны взаимодействовать с утилитами командной строки, такими как ssh, ftp, scp, telnet, или для автоматизации тестирования в терминале.

🔍 Основные возможности:

🌟 Поддержка регулярных выражений для поиска ожидаемых выходных данных.

🌟 Асинхронная работа (в Python 3.4+).

🌟 Управление вводом-выводом и создание псевдотерминалов (pty), что позволяет эмулировать пользовательский ввод!

🔐 Лицензия: ISC

🖥 Github (https://github.com/pexpect/pexpect)

@python_job_interview
@python_be1

Что выведет код ?
@python_be1

Что выведет код ?
@python_be1

👩‍💻 Основы Pandas — полный курс!

🔗 Ссылка: *клик* (https://www.youtube.com/playlist?list=PLp0BA-8NZ4bgNDMxQojvn6eg71jaaRaYZ)

#курс #python #pandas

@pythonl (https://t.me/pythonl)
@python_be1

⚡️ Эндрю Нг, основатель DeepLearningAI и Coursera только что выпустил новый пакет Python с открытым исходным кодом.

Быстрая смена моделей через простой строковый идентификатор. Гибкая и простая в использовании и библиотека.

Одна строка для переключения между любыми LLM:
OpenAI ➝ "openai:gpt-4o"
Claude ➝ "антропный:claude-3-5-sonnet"
Лама ➝ "оллама:ллама3"

<code>pip install aisuite</code>
GitHub: https://github.com/andrewyng/aisuite
@python_be1

Что выведет код ?
@python_be1

🌟 cuPyNumeric: замена NumPy от NVIDIA.

По мере роста объемов данных и сложности вычислений, вычисления на Python и NumPy, основанные на CPU, нуждаются в ускорении для выполнения современных исследований.

cuPyNumeric разработана, чтобы стать заменой библиотеки NumPy, предоставляя сообществу Python распределенные и ускоренные вычисления на платформе NVIDIA. cuPyNumeric позволяет масштабировать вычисления без изменения кода проектов с одного CPU до суперкомпьютеров с несколькими GPU и вычислительными нодами.

Библиотека построена на Legate, поддерживает родной Python и интерфейс NumPy. cuPyNumeric доступен из conda (версия не ниже 24.1) в legate channel. На системах с GPU пакеты, поддерживающие графические ускорители будут выбраны автоматически во время установки.

Пример эффективности cuPyNumeric - обработка 10 ТБ микроизображений многоракурсной микроскопии в виде одного массива NumPy за один день с визуализаций в режиме реального времени.

▶️Установка и тест на примере из репозитория:

<pre language="python"># Create new conda env
conda create -n myenv -c conda-forge -c legate cupynumeric

# Test via example from repo
$ legate examples/black_scholes.py
Running black scholes on 10K options...
Elapsed Time: 129.017 ms</pre>
📌Лицензирование: Apache 2.0 License.

🟡Статья (https://developer.nvidia.com/cupynumeric)
🟡Документация (https://docs.nvidia.com/cupynumeric/latest/index.html)
🖥GitHub (https://github.com/nv-legate/cupynumeric)

@ai_machinelearning_big_data

#AI #ML #NumPy #NVIDIA #cuPyNumeric
@python_be1