✈️TensorBoard — это веб-приложение для визуализации и анализа результатов машинного обучения, разработанное командой TensorFlow. TensorBoard позволяет отслеживать метрики, такие как точность и потери, визуализировать графы вычислений, отображать встроенные векторы и многое другое.

➡️Использование TensorBoard с TensorFlow:

import tensorflow as tf

# Создание логгера TensorBoard
writer = tf.summary.create_file_writer('path/to/log-directory')

# Запись метрик
with writer.as_default():
    for epoch in range(10):
        tf.summary.scalar('loss', 0.5 / (epoch + 1), step=epoch)
        tf.summary.scalar('accuracy', 0.9 + 0.1 * epoch, step=epoch)
        writer.flush()

➡️Визуализация графа вычислений:

# Создание модели
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(10,)),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# Компиляция модели
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# Создание логгера TensorBoard
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='path/to/log-directory', histogram_freq=1)

# Обучение модели
model.fit(x_train, y_train, epochs=10, callbacks=[tensorboard_callback])

⛓Полезные ссылки:
Официальный сайт
GitHub

💡Заключение
TensorBoard идеально подходит для разработчиков и исследователей, которые хотят лучше понимать и улучшать свои модели машинного обучения. А благодаря простоте использования и интеграции с TensorFlow, TensorBoard легко использовать в уже существующих проектах.

🤔Разбор

Создали объект класса. В поле b (a.b) лежит число 3. В поле c, объекта a, мы создаем значение 5.
// - операция целочисленного деления. 5 // 3 —> 1 (3 помещается в 5 целиком только 1 раз)

Ответ: 1

🐍 Pythoner

✈️Seaborn — это библиотека Python для визуализации данных, построенная на основе Matplotlib. Она предоставляет высокий уровень интерфейса для создания статических, анимированных и интерактивных визуализаций.

➡️Основные возможности Seaborn:
- Широкий спектр визуализаций: Seaborn поддерживает множество типов визуализаций, включая линейные графики, гистограммы, диаграммы, тепловые карты, boxplots, violin plots и многое другое.

- Кастомизация: Seaborn позволяет легко настраивать цвета, стили и другие аспекты визуализаций, что делает их более привлекательными и информативными.

- Статистическая визуализация: Seaborn предоставляет инструменты для статистической визуализации, включая распределения, корреляции и другие статистические метрики.

➡️Примеры использования:

1. Создание линейного графика:

import seaborn as sns
import matplotlib.pyplot as plt

# Данные
data = {'x': [1, 2, 3, 4, 5],
        'y': [2, 3, 5, 7, 11]}

# Создание графика
sns.lineplot(x='x', y='y', data=data)
plt.title('Линейный график')
plt.show()

2. Создание гистограммы:

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

# Данные
data = np.random.randn(1000)

# Создание гистограммы
sns.histplot(data, kde=True)
plt.title('Гистограмма')
plt.show()

3. Создание тепловой карты:

import seaborn as sns
import matplotlib.pyplot as plt

# Данные
data = sns.load_dataset('flights')
data = data.pivot('month', 'year', 'passengers')

# Создание тепловой карты
sns.heatmap(data, annot=True, fmt='d', cmap='coolwarm')
plt.title('Тепловая карта')
plt.show()

⛓Полезные ссылки:
Официальный сайт
GitHub
Документация

💡Заключение:
Seaborn идеально подходит для аналитиков и исследователей, которые хотят быстро и легко создавать красивые и информативные графики.

🐍 Pythoner

✈️NLTK (Natural Language Toolkit) — это библиотека Python для обработки естественного языка. Она предоставляет инструменты для анализа, классификации, токенизации, стемминга, тегирования и многих других операций с текстовыми данными. NLTK широко используется в академических исследованиях, а также в practical applications, таких как анализ текста, машинный перевод и sentiment analysis.

➡️Основные возможности NLTK:

- Токенизация: NLTK предоставляет инструменты для разделения текста на слова, предложения и другие элементы.

- Тегирование частей речи: NLTK позволяет анализировать текст и определять части речи (существительные, глаголы, прилагательные и т. д.).

- Стемминг и лемматизация: NLTK предоставляет инструменты для стемминга (уменьшение слов до их основной формы) и лемматизации (приведение слов к их словарной форме).

- Классификация и кластеризация: NLTK поддерживает машинное обучение и предоставляет инструменты для классификации и кластеризации текстовых данных.

- Анализ сентимента: NLTK предоставляет инструменты для анализа сентимента, что позволяет определить эмоциональную окраску текста.

- Корпуса и ресурсы: NLTK включает множество корпусов и ресурсов для обработки естественного языка, включая словари, тезаурусы и корпуса текстов.

➡️Пример использования, токенизация текста:

import nltk
from nltk.tokenize import word_tokenize, sent_tokenize

# Текст
text = "NLTK is a leading platform for building Python programs to work with human language data."

# Токенизация на предложения
sentences = sent_tokenize(text)
print(sentences)

# Токенизация на слова
words = word_tokenize(text)
print(words)

🐍 Pythoner

Метод str() используется для создания удобочитаемого представления объекта для конечного пользователя, тогда как repr() предназначен для создания официального строкового представления объекта, которое можно использовать для воссоздания того же объекта. repr() часто используется для отладки и разработки, так как он должен быть точным и однозначным. str(), с другой стороны, обычно используется для предоставления дружественного к пользователю представления объекта и может быть менее подробным или точным. Если str() не определен, Python будет использовать repr() в качестве запасного варианта.

🐍 Pythoner

😈 IT memer

✈️Selenium — это мощная библиотека Python для автоматизации веб-браузеров. Она позволяет программировать взаимодействие с веб-страницами, включая навигацию, заполнение форм, клики и другие действия. Selenium идеально подходит для тестирования веб-приложений, веб-скрапинга и автоматизации рутинных задач в веб-браузере.

➡️Основные возможности Selenium:
- Автоматизация веб-браузеров: Selenium позволяет управлять веб-браузерами, такими как Chrome, Firefox, Safari и Edge.

- Поддержка множества браузеров: Selenium поддерживает множество веб-браузеров, что позволяет использовать его в различных средах.

- Поддержка тестирования: Selenium часто используется для тестирования веб-приложений, что позволяет автоматизировать тестирование и улучшить качество кода.

➡️Примеры использования:
1. Запуск веб-браузера и навигация:

from selenium import webdriver

# Создание экземпляра драйвера
driver = webdriver.Chrome()

# Открытие веб-страницы
driver.get('https://example.com')

# Получение заголовка страницы
title = driver.title
print(title)

# Закрытие веб-браузера
driver.quit()

2. Заполнение формы и отправка данных:

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

# Создание экземпляра драйвера
driver = webdriver.Chrome()

# Открытие веб-страницы
driver.get('https://example.com/form')

# Заполнение формы
input_element = driver.find_element(By.NAME, 'username')
input_element.send_keys('testuser')

password_element = driver.find_element(By.NAME, 'password')
password_element.send_keys('testpass')

# Отправка формы
password_element.send_keys(Keys.RETURN)

# Закрытие веб-браузера
driver.quit()

3. Клики и взаимодействие с элементами:

from selenium import webdriver
from selenium.webdriver.common.by import By

# Создание экземпляра драйвера
driver = webdriver.Chrome()

# Открытие веб-страницы
driver.get('https://example.com')

# Клик по элементу
button = driver.find_element(By.ID, 'submit-button')
button.click()

# Закрытие веб-браузера
driver.quit()

⛓Полезные ссылки:
Официальный сайт
GitHub
Документация

🐍 Pythoner

Рассказываю, как без шаманства и танцев с бубном оформить себе ChatGPT и врубить Спотик:

Для этого есть ggsel — и это не только ключи к играм и роблаксовые донаты, а целый склад всего, что упрощает жизнь:

🟢 ChatGPT Plus, Midjourney, Photoshop и прочие нейросети — чтобы генерить, творить и делать вид, что ты в этом шаришь
🟢 YouTube Premium, Netflix, Spotify, Canva Pro — прокрастинация и быт под контролем
🟢 Windows, антивирусы, офисы и прочее ПО — если надоело видеть «Активируйте Windows» в правом нижнем углу

Продавцы — живые, с рейтингами и отзывами, без скамов. Так что можно брать спокойно, за этим следят!

✈️OpenCV (Open Source Computer Vision Library) — это библиотека с открытым исходным кодом для компьютерного зрения и машинного обучения. OpenCV предоставляет инструменты для обработки изображений, видео и выполнения различных операций компьютерного зрения, таких как детектирование объектов, распознавание лиц, сегментация изображений и многое другое.

➡️Основные возможности OpenCV:
- Обработка изображений: OpenCV предоставляет инструменты для чтения, записи и обработки изображений, включая изменение размера, поворот, фильтрацию и другие операции.

- Обработка видео: OpenCV позволяет работать с видео, включая чтение, запись и обработку видеофайлов и видеопотоков.

- Детектирование объектов: OpenCV предоставляет инструменты для детектирования объектов на изображениях и видео, включая предварительно обученные модели для распознавания лиц, глаз и других объектов.

- Машинное обучение: OpenCV поддерживает машинное обучение и предоставляет инструменты для создания и использования моделей машинного обучения.

- Компьютерное зрение: OpenCV предоставляет инструменты для выполнения различных операций компьютерного зрения, таких как сегментация изображений, анализ движений и трехмерное восстановление.

➡️Примеры использования:
1. Чтение и отображение изображения:

import cv2

# Чтение изображения
image = cv2.imread('example.jpg')

# Отображение изображения
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. Обработка видео:

import cv2

# Открытие видеофайла
cap = cv2.VideoCapture('example.mp4')

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # Отображение кадра
    cv2.imshow('Frame', frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

3. Детектирование лиц:

import cv2

# Загрузка предварительно обученной модели для детектирования лиц
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# Чтение изображения
image = cv2.imread('example.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Детектирование лиц
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# Рисование прямоугольников вокруг лиц
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)

# Отображение изображения
cv2.imshow('Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

⛓Полезные ссылки:
Официальный сайт
GitHub
Документация

💡Заключение:
OpenCV широко используется в научных исследованиях, робототехнике, медицинских приложениях и других областях, где требуется обработка визуальной информации. Если вы работаете с визуальными данными, OpenCV — это библиотека, которую вам стоит изучить и использовать в ваших проектах.

🐍 Pythoner

✈️Boto3 — это библиотека Python для работы с облачными сервисами Amazon Web Services (AWS). Она предоставляет простой и мощный интерфейс для управления ресурсами AWS, включая EC2, S3, DynamoDB, RDS и многие другие сервисы. Boto3 позволяет разработчикам легко интегрировать свои приложения с AWS, что делает ее идеальным инструментом для создания облачных решений.

➡️Основные возможности Boto3:
- Управление ресурсами AWS: Boto3 позволяет создавать, настраивать и управлять ресурсами AWS, такими как виртуальные машины, хранилища и базы данных.

- Поддержка множества сервисов AWS: Boto3 поддерживает множество сервисов AWS, что позволяет использовать ее для работы с различными облачными ресурсами.

- Управление доступом и авторизацией: Boto3 поддерживает управление доступом и авторизацией, что позволяет безопасно использовать AWS ресурсы.

➡️Примеры использования:
1. Создание клиента S3:

import boto3

# Создание клиента S3
s3 = boto3.client('s3')

# Создание бакета
bucket_name = 'my-new-bucket'
s3.create_bucket(Bucket=bucket_name)

2. Создание экземпляра EC2:

import boto3

# Создание клиента EC2
ec2 = boto3.client('ec2')

# Создание экземпляра EC2
response = ec2.run_instances(
    ImageId='ami-0c55b159cbfafe1f0',
    InstanceType='t2.micro',
    MinCount=1,
    MaxCount=1
)

3. Управление базой данных DynamoDB:

import boto3

# Создание клиента DynamoDB
dynamodb = boto3.resource('dynamodb')

# Создание таблицы
table_name = 'my-new-table'
table = dynamodb.create_table(
    TableName=table_name,
    KeySchema=[
        {
            'AttributeName': 'id',
            'KeyType': 'HASH'
        }
    ],
    AttributeDefinitions=[
        {
            'AttributeName': 'id',
            'AttributeType': 'S'
        }
    ],
    ProvisionedThroughput={
        'ReadCapacityUnits': 5,
        'WriteCapacityUnits': 5
    }
)

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner

🤔Разбор

Если мы указываем в срезе, что мы идем от большего индекса к меньшему, то 3-им параметром должны указать шаг. (по умолчанию он равен 1. А от 2 до 1 с шагом в +1 мы никак не доберемся).
В данном примере мы получим пустоту. (ничего).

🐍 Pythoner

✈️SpeechRecognition — это библиотека Python для распознавания речи. Она позволяет программировать распознавание речи и конвертировать аудио в текст. SpeechRecognition поддерживает множество аудио-форматов и может использоваться для создания приложений, которые обрабатывают голосовые команды, записывают диктофонные заметки и многое другое. SpeechRecognition идеально подходит для разработчиков, которые хотят добавить функцию распознавания речи в свои проекты.

➡️Основные возможности SpeechRecognition:
- Распознавание речи: SpeechRecognition позволяет распознавать речь из аудио-файлов и микрофона.

- Поддержка множества аудио-форматов: SpeechRecognition поддерживает множество аудио-форматов, включая WAV, MP3 и другие.

- Интеграция с облачными сервисами: SpeechRecognition может интегрироваться с облачными сервисами, такими как Google Speech Recognition, что позволяет использовать мощные инструменты распознавания речи.

- Поддержка различных языков: SpeechRecognition поддерживает распознавание речи на различных языках, что делает ее универсальным инструментом для международных проектов.

➡️Примеры использования:
1. Распознавание речи из микрофона:

import speech_recognition as sr

# Создание распознавателя
recognizer = sr.Recognizer()

# Использование микрофона
with sr.Microphone() as source:
    print("Скажите что-нибудь...")
    audio = recognizer.listen(source)

# Распознавание речи
try:
    text = recognizer.recognize_google(audio, language="ru-RU")
    print("Вы сказали: " + text)
except sr.UnknownValueError:
    print("Не удалось распознать речь")
except sr.RequestError as e:
    print("Ошибка сервиса распознавания речи; {0}".format(e))

2. Распознавание речи из аудио-файла:

import speech_recognition as sr

# Создание распознавателя
recognizer = sr.Recognizer()

# Загрузка аудио-файла
audio_file = sr.AudioFile('example.wav')

# Распознавание речи
with audio_file as source:
    audio = recognizer.record(source)

try:
    text = recognizer.recognize_google(audio, language="ru-RU")
    print("Текст: " + text)
except sr.UnknownValueError:
    print("Не удалось распознать речь")
except sr.RequestError as e:
    print("Ошибка сервиса распознавания речи; {0}".format(e))

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner

✈️Flask-RESTful — это расширение для фреймворка Flask, которое упрощает создание RESTful API. Flask-RESTful предоставляет мощные инструменты для создания, управления и документирования API, что делает его идеальным инструментом для разработчиков, которые хотят быстро и легко создавать веб-сервисы.

➡️Основные возможности Flask-RESTful:
- Поддержка ресурсов и методов: Flask-RESTful поддерживает создание ресурсов и методов, что позволяет легко определить структуру вашего API.

- Автоматическая документация: Flask-RESTful интегрируется с Swagger, что позволяет автоматически генерировать документацию для вашего API.

- Поддержка аутентификации и авторизации: Flask-RESTful поддерживает аутентификацию и авторизацию, что позволяет обеспечить безопасность вашего API.

➡️Примеры использования:
1. Создание простого API:

from flask import Flask
from flask_restful import Api, Resource

app = Flask(__name__)
api = Api(app)

class HelloWorld(Resource):
    def get(self):
        return {'message': 'Hello, World!'}

api.add_resource(HelloWorld, '/')

if __name__ == '__main__':
    app.run(debug=True)

2. Создание ресурса с параметрами:

from flask import Flask, request
from flask_restful import Api, Resource, reqparse

app = Flask(__name__)
api = Api(app)

parser = reqparse.RequestParser()
parser.add_argument('name', type=str, required=True, help='Name cannot be blank!')

class User(Resource):
    def post(self):
        args = parser.parse_args()
        return {'message': f'Hello, {args["name"]}!'}

api.add_resource(User, '/user')

if __name__ == '__main__':
    app.run(debug=True)

💡Заключение:
Flask-RESTful идеально подходит для разработчиков, которые хотят создать безопасные и масштабируемые веб-сервисы. Благодаря простоте использования и гибкости, Flask-RESTful легко интегрировать в ваши проекты и использовать для создания мощных веб-приложений.

🐍 Pythoner

✈️Snowballstemmer — это библиотека Python для стемминга текста. Стемминг — это процесс сокращения слова до его основной или корневой формы. Например, слова "running", "runs", "runner" могут быть сокращены до основной формы "run". Snowballstemmer предоставляет алгоритмы стемминга для множества языков, что делает ее идеальным инструментом для предобработки текстовых данных в задачах машинного обучения и обработки естественного языка.

➡️Основные возможности Snowballstemmer:
- Множественные языки: Snowballstemmer поддерживает стемминг для множества языков, включая английский, русский, немецкий, испанский и многие другие.

- Простота использования: Snowballstemmer предоставляет простой и интуитивный API, который позволяет быстро начать работу со стеммингом.

- Высокая эффективность: Snowballstemmer использует оптимизированные алгоритмы стемминга, что обеспечивает высокую скорость обработки текста.

➡️Примеры использования:
1. Стемминг текста на английском языке:

from snowballstemmer import stemmer

# Создание стеммера для английского языка
english_stemmer = stemmer("english")

# Стемминг слов
words = ["running", "runs", "runner"]
stemmed_words = [english_stemmer.stemWord(word) for word in words]

print(stemmed_words)  # Вывод: ['run', 'run', 'run']

2. Использование Snowballstemmer с NLTK:

import nltk
from snowballstemmer import stemmer

# Создание стеммера для английского языка
english_stemmer = stemmer("english")

# Токенизация текста
text = "NLTK is a leading platform for building Python programs to work with human language data."
words = nltk.word_tokenize(text)

# Стемминг слов
stemmed_words = [english_stemmer.stemWord(word) for word in words]

print(stemmed_words)  # Вывод: ['NLTK', 'is', 'a', 'lead', 'platform', 'for', 'build', 'Python', 'program', 'to', 'work', 'with', 'human', 'language', 'data', '.']

3. Стемминг текста на русском языке:

from snowballstemmer import stemmer

# Создание стеммера для русского языка
russian_stemmer = stemmer("russian")

# Стемминг слов
words = ["бег", "бегущий", "бегун"]
stemmed_words = [russian_stemmer.stemWord(word) for word in words]

print(stemmed_words)  # Вывод: ['бег', 'бегущ', 'бегун']

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner

✈️Создание игры "Сапёр" в Python, может быть интересным и небольшим проектом для начинающих программистов. Вот пример простой консольной версии игры "Сапёр" на Python:

import random

def create_board(rows, cols, bombs):
    board = [[' ' for _ in range(cols)] for _ in range(rows)]

    for _ in range(bombs):
        row = random.randint(0, rows - 1)
        col = random.randint(0, cols - 1)

        while board[row][col] == '*':
            row = random.randint(0, rows - 1)
            col = random.randint(0, cols - 1)

        board[row][col] = '*'

    return board

def print_board(board):
    for row in board:
        print(" ".join(row))

def count_bombs(row, col, board):
    count = 0
    for r in range(row - 1, row + 2):
        for c in range(col - 1, col + 2):
            if r >= 0 and r < len(board) and c >= 0 and c < len(board[0]):
                if board[r][c] == '*':
                    count += 1
    return count

def main():
    rows = 5
    cols = 5
    bombs = 5

    board = create_board(rows, cols, bombs)

    print_board(board)

    while True:
        user_row = int(input("Enter row: "))
        user_col = int(input("Enter column: "))

        if board[user_row][user_col] == '*':
            print("Game over! You hit a bomb.")
            break

        bombs_near = count_bombs(user_row, user_col, board)
        board[user_row][user_col] = str(bombs_near)

        print_board(board)

if __name__ == "__main__":
    main()

🔫Этот код создает простую версию игры "Сапёр" с размером поля 5x5 и 5 бомбами. Игрок должен вводить координаты клетки поля, и если там нет бомбы, то открывается число, указывающее, сколько бомб находится рядом с этой клеткой. Когда игрок попадает на бомбу, игра завершается.

💡Это только пример, и вы можете доработать игру, добавив больше функциональности и улучшений. Вам также может понадобиться обновить код для работы в более сложном окружении, таком как графический интерфейс с использованием библиотеки Tkinter.

🐍 Pythoner

✈️Joblib — это библиотека Python, предназначенная для сериализации объектов Python, особенно полезная для сохранения и загрузки моделей машинного обучения. Joblib предоставляет эффективные инструменты для работы с большими данными и моделями, что делает ее идеальным инструментом для разработчиков и исследователей, работающих с машинным обучением.

➡️Основные возможности Joblib:
- Сериализация объектов: Joblib позволяет сериализовать (сохранять) и десериализовать (загружать) объекты Python, включая сложные структуры данных и модели машинного обучения.

- Эффективная работа с большими данными: Joblib оптимизирована для работы с большими данными и моделями, что позволяет быстро и эффективно сохранять и загружать их.

- Поддержка параллельных вычислений: Joblib предоставляет инструменты для параллельных вычислений, что позволяет ускорить обработку данных и моделей.

➡️Пример cохранение модели машинного обучения:

import joblib
from sklearn.ensemble import RandomForestClassifier

# Создание модели
model = RandomForestClassifier(n_estimators=100, random_state=42)

# Обучение модели
# model.fit(X_train, y_train)

# Сохранение модели
joblib.dump(model, 'model.pkl')

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner

✈️DataCleaner — это библиотека Python для очистки и предобработки данных. Она предоставляет инструменты для удаления дубликатов, обработки пропущенных значений, нормализации данных и других операций, которые являются важными этапами в подготовке данных для анализа и машинного обучения. DataCleaner помогает упростить и автоматизировать процесс предобработки данных, что делает ее идеальным инструментом для аналитиков и разработчиков, работающих с данными.

➡️Примеры использования:
1. Удаление дубликатов:

import pandas as pd
from datacleaner import autoclean

# Создание DataFrame
data = pd.DataFrame({
    'A': [1, 2, 2, 4],
    'B': [5, 6, 6, 8]
})

# Удаление дубликатов
cleaned_data = autoclean(data)
print(cleaned_data)

2.Обработка пропущенных значений:

import pandas as pd
from datacleaner import autoclean

# Создание DataFrame с пропущенными значениями
data = pd.DataFrame({
    'A': [1, 2, None, 4],
    'B': [5, None, 7, 8]
})

# Обработка пропущенных значений
cleaned_data = autoclean(data)
print(cleaned_data)

3. Нормализация данных:

import pandas as pd
from datacleaner import normalize

# Создание DataFrame
data = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8]
})

# Нормализация данных
normalized_data = normalize(data)
print(normalized_data)

💡Заключение:
Таким образом, использование DataCleaner в Python поможет вам быстро и эффективно обработать данные, улучшить их качество и подготовить для дальнейшего анализа.

🐍 Pythoner