Пора применять профессиональные навыки на практике,зря что ли на программиста 5 лет учился?
@python_be1

📞 bpytop (https://github.com/aristocratos/bpytop) — это современный инструмент мониторинга ресурсов, который работает на Linux, macOS и FreeBSD!

💡 Он отображает данные об использовании процессора, памяти, дисков, сети и запущенных процессов в удобном и визуально привлекательном интерфейсе. Написанный на Python, bpytop предлагает гибкие возможности настройки и легкость использования, включая полную поддержку управления с помощью мыши.

🌟 Инструмент отличается быстрым откликом, интуитивным управлением и визуализацией системных данных в реальном времени. Пользователи могут настроить интерфейс, выбирая цветовые схемы, управлять процессами прямо из меню, отслеживать сетевые подключения и даже работать с несколькими устройствами одновременно.

🔐 Лицензия: Apache-2.0

🖥 Github (https://github.com/aristocratos/bpytop)


@python_be1

Что выведет код ?
@python_be1

🌟 Model2Vec: создание компактных и быстрых моделей на основе Sentence Transformer.

Model2Vec - библиотека для создания компактных и быстрых моделей на основе предобученных Sentence Transformer моделей.

Model2Vec позволяет создавать эмбединг-модели слов и предложений, которые значительно меньше по размеру, но при этом сопоставимы по производительности с исходными Sentence Transformer моделями.

Отличительные особенности:

🟢быстрая дистилляция, процесс создания модели занимает несколько минут;

🟢быстрый инференс, в 500 раз быстрее на CPU относительно родительской модели;

🟢BYOM и BYOV, можно использовать на любой Sentence Transformer модели с любым словарем;

🟢мультиязычность, все что нужно - только мультиязычная модель в качестве источника;

🟢интеграция с Huggingface, загрузка\выгрузка моделей привычными <code>from_pretrained</code> и <code>push_to_hub</code>.

Пайплайн Model2Vec трехэтапный. На первом этапе словарь пропускается через модель Sentence Transformer для получения векторов эмбедингов для каждого слова.

Далее, размерность полученных эмбеддингов сокращается с помощью метода главных компонент (PCA). Наконец, применяется zipf-взвешивание для учета частотности слов в словаре.

Model2Vec работает в двух режимах:

🟠Output, в котором модель работает подобно Sentence Transformer, используя subword токенизацию;

🟠Vocab, в котором создается набор статических эмбедингов слов, аналогично GloVe или Word2Vec.

Оценку производительности Model2Vec делали на наборе данных MTEB на задачах PEARL (оценка качества представления фраз) и WordSim (оценка семантической близости слов).

Результаты показывают, что Model2Vec превосходит по производительности GloVe и модели, основанные на WordLlama по всем задачам оценки.

▶️Пример дистилляции:

<pre language="python">
from model2vec.distill import distill

# Choose a Sentence Transformer model
model_name = "BAAI/bge-base-en-v1.5"

# Distill the model
m2v_model = distill(model_name=model_name, pca_dims=256)

# Save the model
m2v_model.save_pretrained("m2v_model")</pre>
▶️Пример инференса:

<pre language="python">
from model2vec import StaticModel

# Load a model from the HuggingFace hub, or a local one.
model_name = "minishlab/M2V_base_output"
# You can optionally pass a token if you're loading a private model
model = StaticModel.from_pretrained(model_name, token=None)

# Make embeddings
embeddings = model.encode(["It's dangerous to go alone!", "It's a secret to everybody."])</pre>
📌Лицензирование : MIT License.

▪Набор моделей (https://huggingface.co/minishlab)
▪GitHub (https://github.com/MinishLab/model2vec)
(https://t.me/)

#AI #ML #LLM #Embedding #Model2Vec #python
@python_be1

Изначально надо менять подход к пониманию и обучению Python.

https://www.youtube.com/watch?v=dpZVeFvQreM&t=5s
@python_be1

⭐️ Python 1.0.0 был выпущен 31 год назад

https://groups.google.com/g/comp.lang.misc/c/_QUzdEGFwCo/m/KIFdu0-Dv7sJ?pli=1
@python_be1

🖥 reaktiv Python Version PyPI Version License

Если вы работали с современными фронтенд-фреймворками, такими как React, Vue или Angular, вы знакомы с мощью реактивного управления состояниями.

Это магия, лежащая в основе динамических пользовательских интерфейсов и систем реального времени.

Но почему Python должен упускать преимущества реактивности? reaktiv привносит эти преимущества реактивного программирования в ваши Python-проекты.

<code>pip install reaktiv</code>

▪Github (https://github.com/buiapp/reaktiv)
(https://t.me/)

#python #frontend #react #opensource
@python_be1

SQL — Индексы. Подробный гайд.
@python_be1
https://uproger.com/sql-indeksy-podrobnyj-gajd/

⚡️ Surprise

Создание надежной рекомендательной системы с нуля может занять много времени и большого объема кода.

Surprise упрощает процесс и позволяет создавать рекомендательные системы с минимальным кодом, предоставляя встроенные алгоритмы, готовый датасет и встроенную оценку модели.

▪ Github (https://github.com/NicolasHug/Surprise)
▪ Пример (https://codecut.ai/how-to-build-a-recommendation-engine-using-surprise-in-python/)


@python_be1

Чем списковое включение отличается от генераторного выражения?
@python_be1

Сложные задачи по теории вероятностей с решением на Python
@python_be1
https://uproger.com/slozhnye-zadachi-po-teorii-veroyatnostej-s-resheniem-na-python/

🖥 python-benedict (https://github.com/fabiocaccamo/python-benedict?tab=readme-ov-file) — это расширение стандартного словаря Python, предоставляющее дополнительные возможности для удобной работы с данными!

💡 Ключевые особенности включают поддержку доступа к значениям по списку ключей (keylist), доступ к вложенным данным с использованием разделителей (keypath), а также доступ к элементам словаря через атрибуты (keyattr). Кроме того, библиотека предлагает встроенные методы для чтения и записи данных в различных форматах, таких как JSON, YAML, XML, CSV, INI, TOML, HTML, Base64, а также работу с файлами Excel и строками запросов.

🔐 Лицензия: MIT

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


@python_be1