Обучение с подкреплением на PyTorch.

Вы научитесь использовать алгоритм «многоруких бандитов» и аппроксимацию функций; узнаете, как победить в играх Atari с помощью глубоких Q-сетей и как эффективно реализовать метод градиента стратегии; увидите, как применить метод ОП к игре в блэкджек, к окружающим средам в сеточном мире, к оптимизации рекламы в интернете и к игре Flappy Bird.

Книга в формате pdf👇

#курсы_книги

GPT-Migrate — ИИ-инструмент для миграции с одного языка или фреймворка на другой

Как работает GPT-Migrate

Для переноса кода из --sourcelang в --targetlang:

1. GPT-Migrate создает среду Docker для —targetlang, которая автоматически.

2. GPT-Migrate перестраивает новый —targetlang код из существующего кода, начиная с файла —sourceentry.

3. Инструмент запускает среду Docker с новой кодовой базой, которая отображается на —targetport, и по мере необходимости итеративно выполняет отладку.

4. ИИ разрабатывает модульные тесты с использованием фреймворка unittest в Python.

5. Тестирует новый код на —targetport с использованием этих модульных тестов.

6. Итеративно выполняет отладку кода для вас, используя контекст из журналов, сообщений об ошибках, соответствующих файлов и структуры каталогов.

Подробнее👇

#статьи

Игра шарик

Давайте закодим что-нибудь интересное! Например, свою игру, где нужно не дать шарику упасть, типа Арканоида. Вы, скорее всего, играли в детстве во что-то подобное, поэтому освоиться будет просто.

#sandbox

@python_practics

Упрощение создания операторов сравнения

Существует немало операторов сравнения. Например — __lt__, __le__, __gt__, __ge__.
Можно ли как-то упростить этот процесс? Да — с помощь декоратора functools.total_ordering

#полезные_сниппеты

@python_practics

Топ самых полезных магических команд для завсегдатаев Colab

Если вы пользуетесь на повседневной основе средами вроде Google Colab или Jupyter Notebook, то наверняка хотя бы раз сталкивались с «магическими» командами. В статье автор не только перечисляет самые полезные из них, но и показывает, как они работают на примерах, а также дополняет фишечками.

%lsmagic - Чтобы не тратить драгоценный умственный ресурс, запомните всего одну директиву – вывести список всех команд.

%%time - Измеряет время выполнения ячейки.

%%capture - Cкрывает выходные данные ячейки.

%autoawait - Позволяет использовать параллельные процессы.

%debug - Активируeт интерактивный отладчик.

%pip - Множество сторонних библиотек подключается к проекту именно этой командой.

%precision - Указывает число знаков после запятой (decimal number) для числовых объектов.

%rerun - Перезапускает предыдущую ячейку.

%%html - Отрендерит ячейку как код HTML.

Подробнее👇

#статьи

Внимание! - Вопрос!

Что может являться ключом словаря? Что не может? Почему?

Ключом словаря может быть любой хешируемый неизменяемый объект: число, строка, datetime, функция и даже модуль. Такие объекты имеют метод __hash__(), который однозначно сопоставляет объект с некоторым числом. По этому числу словарь ищет значение для ключа.

Списки, словари и множества изменяемы и не имеют метода хеширования. При подстановке их в словарь возникнет ошибка.

Хеш кортежа вычисляется рекурсивно по всем элементам.

Так, кортеж

(1, (True, (42, ('hello', )))) состоит только из неизменяемых элементов, поэтому может быть ключом.

Однако, такой кортеж

(1, (True, (42, ({'hello': 'world'}, )))) содержит глубоко внутри словарь, поэтому хеш не может быть рассчитан.

#вопросы_из_собеседований

@python_practics

Ваша задача — создать функцию, которая выполняет четыре основные математические операции.

Функция должна принимать три аргумента - операция(строка/символ), значение1(число), значение2(число).
Функция должна возвращать числовой результат после применения выбранной операции.

Примеры:

('+', 4, 7) --> 11
('-', 15, 18) --> -3
('*', 5, 5) --> 25
('/', 49, 7) --> 7

#задачник

@python_practics

Библиотеки Python для профессионального анализа данных

Язык программирования Python часто используют аналитики данных. Для этого в нем существуют расширения — библиотеки, наборы готовых инструментов для более эффективной работы.

Вот список наиболее часто используемых:

1. Pandas: для подготовки данных

2. NumPy: для углублённых расчётов

3. SciPy: для математических операций

4. Matplotlib: для визуализации

5. Seaborn: для расширенной визуализации

6. Statsmodels: для статистического анализа

7. Plotly: для трёхмерной визуализации

8. Bokeh: для интерактивной визуализации в вебе

9. Scikit-learn: для машинного обучения

Подробнее о каждой из библиотек по ссылке ниже👇

#фреймворки_библиотеки