IconMatch — Python библиотека построенная на основе OpenCV.

Позволяет пользователям легко находить и выбирать значки на экране в любой среде, что упрощает добавление данной функциональности в ваши программы.

Ключевые особенности включают в себя обнаружение областей с высокой вероятностью, что это значки, на которые можно нажать, и обнаружение ближайшего к ним прямоугольника — точки интереса.

https://github.com/NativeSensors/IconMatch
@python_be1

🖥 Validators (https://github.com/python-validators/validators?tab=readme-ov-file) — это библиотека Python, предназначенная для простого и эффективного валидирования данных!

🌟 В отличие от других инструментов, требующих определения схем или форм, Validators позволяет проверять отдельные значения без необходимости в сложной настройке. Она предоставляет функции для проверки различных типов данных, включая электронные почты, URL, IP-адреса, доменные имена и другие.

🔐 Лицензия: MIT

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


@python_be1

‍🖥 Aiopandas - легковесный патч для Pandas, который добавляет нативную async поддержку для самых популярных методов обработки данных: map, apply, applymap, aggregate и transform.

Позволяет без проблем передавать async функции в эти методы. Библиотека автоматически запустит их асинхронно, управляя количеством одновременно выполняемых задач с помощью параметра max_parallel.

✨ Ключевые возможности:

▪ Простая интеграция: Используйте как замену стандартным функциям Pandas, но теперь с полноценной поддержкой async функций.
▪ Контролируемый параллелизм: Автоматическое асинхронное выполнение ваших корутин с возможностью ограничить максимальное число параллельных задач (max_parallel). Идеально для управления нагрузкой на внешние сервисы!
▪ Гибкая обработка ошибок: Встроенные опции для управления ошибками во время выполнения: выбросить исключение (raise), проигнорировать (ignore) или записать в лог (log).
▪ Индикация прогресса: Встроенная поддержка tqdm для наглядного отслеживания процесса выполнения долгих операций в реальном времени.

🖥 Github: https://github.com/telekinesis-inc/aiopandas

#python #pandas #asyncio #async #datascience #программирование #обработкаданных #асинхронность
@python_be1

🖥 Подготовка к собеседованию на Python (https://github.com/yakimka/python_interview_questions/blob/master/questions.md)разработчика: нашел сборник самых частых вопросов с ответами и примерами кода.

Это квинтэссенция примеров кода и паттернов, охватывающая 99% возможных вопросов на собеседовании.

Шпаргалка объемная, время чтения - 96 минут.

На русском языке.

🟢Github (https://github.com/yakimka/python_interview_questions/blob/master/questions.md)
🟢Видео (https://www.youtube.com/watch?v=zKkuWq0vIPE)
🟢Полный список (https://uproger.com/bolee-100-voprosov-s-sobesedovaniya-python-razbor-realnyh-voprosov/)
@python_be1
https://github.com/yakimka/python_interview_questions/blob/master/questions.md

Что выведет код?
@python_be1

Каким будет вывод этого кода в консоли?
@python_be1

‍📹 Топ-11 технических YouTube-каналов для изучения ИИ с нуля:

1) Andrej Karpathy ( https://www.youtube.com/andrejkarpathy) сочетание общего и технического контента, плейлист "Zero to Hero" обязателен к просмотру

2) Uproger (https://www.youtube.com/@uproger) — доступные уроки по программированию и ИИ, идеально для начинающих и тех, кто хочет углубить свои знания.

3) Umar Jamil ( https://www.youtube.com/@umarjamilai ) технический блог, где автор реализует методы ML и LLM с нуля

4) Simon Oz (https://www.youtube.com/@szymonozog7862) — технические видео по низкоуровневому машинному обучению

5) Tunadorable (https://www.youtube.com/@Tunadorable) — отличные обзоры научных статей, реализация

6) GPU Mode ([#​alias|[#alias|www.youtube.com/@GPUMode)—|www.youtube.com/@GPUMode)—]|[#alias|www.youtube.com/@GPUMode)—|https://www.youtube.com/@GPUMode)—]] технические интервью и разборы всего, что связано с GPU

7) AI Jason ( https://www.youtube.com/@AIJasonZ ) эксперименты с ИИ, дизайн ПО и новые модели, с понятным и полным разбором.

8) Ferdinand Mom (https://www.youtube.com/@FerdinandMom) — всё о распределённом обучении и выводах

9) Welch Labs ( https://www.youtube.com/@WelchLabsVideo ) уникальный глубокий взгляд на комплексность алгоритмов машинного обучения.

10) Artem Kirsanov (https://www.youtube.com/@ArtemKirsanov) — нейронаука и машинное обучение с необычного авторского взгляда + отличная визуализация контента.

11) David Ondrej ( https://www.youtube.com/@DavidOndrej ) новые модели, создание приложений с ИИ, практично для разработчиков https://t.co/BEOr0MgHag @DavidOndrej1

12) 3Blue1Brown (https://www.youtube.com/c/3blue1brown)
Потрясающие визуализации, которые делают абстрактные математические концепции понятными и интуитивными.

13) Lex Fridman (https://www.youtube.com/c/LexFridman)
Глубокие беседы с лидерами индустрии ИИ, позволяющие получить широкий взгляд на современные тенденции.

14) Machine Learning Street Talk (https://www.youtube.com/c/MachineLearningStreetTalk)
Технические погружения и обсуждения с ведущими исследователями в области ИИ и машинного обучения.
Ссылка:

15) StatQuest with Joshua Starmer PhD (https://www.youtube.com/c/statquest)
Доступные и понятные объяснения основ машинного обучения и статистики для начинающих.

Этот список для технической аудитории. Очень сложно выбрать всего 15 каналов, ведь есть множество других, создающих отличный контент.

Если знаете ещё каналы, дайте пишите в комментариях!
@python_be1

🖥 dateutil — это библиотека Python, которая расширяет стандартный модуль datetime, упрощая работу с датами и временем!

🌟 Она позволяет парсить даты из строк, работать с относительными интервалами (relativedelta), создавать сложные правила повторения дат (rrule) и поддерживает часовые пояса через модуль tz. Это делает dateutil удобным инструментом для работы с календарными данными и временными интервалами.

🔐 Лицензия: Apache-2.0

https://github.com/dateutil/dateutil
@python_be1

🌟 VideoMind - это агент для анализа видео, разработанный для точного понимания контента с привязкой ко времени.

Основная цель инструмента - обеспечить "temporal-grounded video understanding", то есть способность отвечать на вопросы о видео, точно указывая на конкретные моменты (визуальные доказательства) в видеоряде, что является сложной задачей для стандартных больших языковых моделей.

Как работает:
🟢 Внутри использует ролевой агентный подход (role-based agentic workflow), который включает специализированные компоненты (роли), такие как планировщик (planner) для координации, локализатор (grounder) для привязки ко времени, верификатор (verifier) для оценки точности временных интервалов и ответчик (answerer) для формулировки ответа.
🟢 Разработчики использовали очень интересную стратегию "Chain-of-LoRA", которая позволяет эффективно переключаться между различными ролями с помощью легковесных адаптеров LoRA (Low-Rank Adaptation) без необходимости загружать несколько отдельных моделей, оптимизируя баланс между гибкостью и вычислительной эффективностью.

✔ Результаты: демонстрирует SOTA производительность на 14 бенчмарках для различных задач понимания видео, включая ответы на вопросы с привязкой ко времени (Grounded VideoQA), временную локализацию событий (VTG) и общие ответы на вопросы по видео (VideoQA).

🟡Github (https://github.com/yeliudev/VideoMind)
🟡Demo (https://huggingface.co/spaces/yeliudev/VideoMind-2B)
🟡Paper (https://arxiv.org/abs/2503.13444)
🟡Dataset (https://huggingface.co/datasets/yeliudev/VideoMind-Dataset)
🟡Checkpoints (https://huggingface.co/collections/yeliudev/videomind-67dd41f42c57f0e7433afb36)
@python_be1

🖥 FinMind — проект, предлагающий более 50 автоматически обновляемых датасетов, охватывающих рынки Тайваня, США и мировые активы.

Причем это не просто архив исторических котировок. Здесь собраны:
▪Технические данные (от тиковых данных до индикаторов PER/PBR)
▪Отчётность, дивиденды, выручка
▪Фьючерсы, опционы
▪Ставки ЦБ, сырьё, облигации

💯 При этом проект полностью открыт и ориентирован на образовательные цели. Данные доступны через простой Python-клиент, что делает FinMind удобной альтернативой платным Bloomberg Terminal или Quandl для учебных проектов и прототипирования.

https://github.com/FinMind/FinMind
@python_be1

🔥 Awesome на GitHub

Это курируемые подборки ресурсов (книг, статей, инструментов, библиотек и многое другое) по конкретным темам, созданные сообществом разработчиков и энтузиастов.

Собрали подборку лучших из них. Сохраняйте, чтобы не потерять

• Информационная безопасность: awesome-security (https://github.com/sbilly/awesome-security)
• Базы данных: awesome-database-learning (https://github.com/pingcap/awesome-database-learning)
• JavaScript: awesome-javascript
(https://github.com/sorrycc/awesome-javascript)• React: awesome-react
(https://github.com/enaqx/awesome-react)• Vue: awesome-vue
(https://github.com/vuejs/awesome-vue)• Angular: awesome-angular
(https://github.com/PatrickJS/awesome-angular)• Node.js: awesome-nodejs
(https://github.com/sindresorhus/awesome-nodejs)• Typescript: awesome-typescript
(https://github.com/dzharii/awesome-typescript)• Java: awesome-java
(https://github.com/akullpp/awesome-java)• Go: awesome-go (https://github.com/avelino/awesome-go)
• Ruby: awesome-ruby
(https://github.com/markets/awesome-ruby)• PHP: awesome-php
(https://github.com/ziadoz/awesome-php)• Kotlin: awesome-kotlin
(https://github.com/KotlinBy/awesome-kotlin)• Rust: awesome-rust
(https://github.com/rust-unofficial/awesome-rust)• Swift: awesome-swift
(https://github.com/Wolg/awesome-swift)• iOS-разработка: awesome-ios
(https://github.com/vsouza/awesome-ios)• Android-разработка: awesome-android
(https://github.com/JStumpp/awesome-android)• C: awesome-c
(https://github.com/oz123/awesome-c)• C++: awesome-cpp
(https://github.com/fffaraz/awesome-cpp)• C#: awesome-dotnet
(https://github.com/quozd/awesome-dotnet)• Unreal Engine: awesome-unreal
(https://github.com/insthync/awesome-unreal)• Unity: awesome-unity3d
(https://github.com/insthync/awesome-unity3d)• Python: awesome-python
(https://github.com/vinta/awesome-python)• Django: awesome-django (https://github.com/wsvincent/awesome-django)
• Data Science: awesome-datascience
(https://github.com/bulutyazilim/awesome-datascience)• TensorFlow: awesome-tensorflow
(https://github.com/jtoy/awesome-tensorflow)• Linux: Awesome-Linux-Software
(https://github.com/luong-komorebi/Awesome-Linux-Software)• DevOps: awesome-devops
(https://github.com/awesome-soft/awesome-devops)• SysAdmins: awesome-sysadmin
(https://github.com/awesome-foss/awesome-sysadmin)• Nginx: awesome-nginx
(https://github.com/agile6v/awesome-nginx)• Kubernetes: awesome-kubernetes
(https://github.com/ramitsurana/awesome-kubernetes)• Docker: awesome-docker (https://github.com/veggiemonk/awesome-docker)
(https://github.com/facyber/awesome-networking)• Автоматизация сетевой инфраструктуры: awesome-network-automation (https://github.com/networktocode/awesome-network-automation)
(https://github.com/sbilly/awesome-security)• QA: awesome-testing
@python_be1