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

✈️Команда «python -m timeit» в консоли используется для тестирования производительности фрагмента кода на Python путем многократного его выполнения и измерения времени выполнения.

Например:
python -m timeit "some_function()"

➡️Она запускает модуль timeit, который является частью стандартной библиотеки Python. Это позволяет оценить производительность определенного участка кода.

🐍 Pythoner

🤔Разбор

Строка "Python" имеет следующие индексы:

Индекс: 0 1 2 3 4 5
Элементы: P y t h o n

В срезе s[4:2] ты указываешь начать с индекса 4 ('o') и закончить на индексе 2 ('t') — но индекс начала больше индекса конца , и в Python такой срез возвращает пустую строку.

🐍 Pythoner

✈️PyTesseract — это библиотека Python для распознавания текста на изображениях. Она является оберткой для популярного инструмента Tesseract OCR (Optical Character Recognition) и позволяет легко интегрировать функции распознавания текста в ваши проекты. PyTesseract поддерживает множество языков и форматов изображений, что делает ее идеальным инструментом для задач, связанных с обработкой изображений и распознаванием текста.

➡️Основные возможности PyTesseract:
- Распознавание текста: PyTesseract позволяет распознавать текст на изображениях, включая поддержку множества языков.

- Поддержка множества форматов изображений: PyTesseract поддерживает множество форматов изображений, включая JPEG, PNG, BMP и другие.

- Настройка и конфигурация: PyTesseract позволяет настраивать параметры распознавания, что позволяет оптимизировать процесс для ваших конкретных задач.

➡️Пример использования:

import pytesseract
from PIL import Image

# Загрузка изображения
image = Image.open('example.jpg')

# Распознавание текста
text = pytesseract.image_to_string(image, lang='eng')
print(text)

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner

✈️Tweepy — это библиотека Python для работы с API Twitter. Она позволяет разработчикам легко интегрировать свои приложения с Twitter, выполняя различные операции, такие как публикация твитов, чтение ленты, поиск твитов и многое другое. Tweepy предоставляет простой и мощный интерфейс для работы с API Twitter, что делает ее идеальным инструментом для создания приложений, связанных с социальными сетями.

➡️Основные возможности Tweepy:
- Публикация твитов: Tweepy позволяет публиковать твиты и изображения в вашем аккаунте Twitter.

- Чтение ленты: Tweepy позволяет читать ленту твитов, включая твиты из вашего аккаунта и других пользователей.

- Поиск твитов: Tweepy предоставляет инструменты для поиска твитов по ключевым словам, хэштегам и другим параметрам.

- Управление аккаунтом: Tweepy позволяет управлять вашим аккаунтом Twitter, включая чтение и отправку сообщений, блокировку и разблокировку пользователей.

- Поддержка аутентификации: Tweepy поддерживает аутентификацию с использованием OAuth, что позволяет безопасно работать с API Twitter.

➡️Пример публикации твита:

import tweepy

# Ключи и токены для аутентификации
consumer_key = 'YOUR_CONSUMER_KEY'
consumer_secret = 'YOUR_CONSUMER_SECRET'
access_token = 'YOUR_ACCESS_TOKEN'
access_token_secret = 'YOUR_ACCESS_TOKEN_SECRET'

# Аутентификация
auth = tweepy.OAuth1UserHandler(consumer_key, consumer_secret, access_token, access_token_secret)
api = tweepy.API(auth)

# Публикация твита
api.update_status('Hello, Twitter!')

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner

🌴BST - это древовидная структура данных, в которой каждый узел имеет максимум два потомка. Основное свойство BST заключается в том, что каждый узел на большее значение, чем все узлы в его левом поддереве и на меньшее значение, чем все узлы в его правом поддереве. Этот уникальный атрибут делает BST идеальным для быстрого поиска данных.

➡️Пример BST на Python:

class Node:
    def __init__(self, key):
        self.left = None
        self.right = None
        self.val = key

def insert(root, key):
    if root is None:
        return Node(key)
    else:
        if root.val < key:
            root.right = insert(root.right, key)
        else:
            root.left = insert(root.left, key)
    return root

def inorder(root):
    if root:
        inorder(root.left)
        print(root.val),
        inorder(root.right)

r = Node(50)
r = insert(r, 30)
r = insert(r, 20)
r = insert(r, 40)
r = insert(r, 70)
r = insert(r, 60)
r = insert(r, 80)

inorder(r)

⬆️В этом примере мы создаем BST с помощью Python. Мы определяем класс Node, который представляет узел в BST. Затем мы определяем функции для вставки нового узла и для обхода BST.

➡️Преимущества и недостатки BST

BST имеют множество преимуществ, благодаря которым они широко используются. Они позволяют быстро осуществлять поиск, вставку и удаление данных. Однако BST также имеют некоторые недостатки. Например, если дерево не сбалансировано, время поиска может увеличиться.
То есть, по сути, это сортированное дерево, поиск в котором легко выполнить, из-за того, что оно упорядочено.

🐍 Pythoner

✈️Requests-OAuthlib — это библиотека Python для аутентификации OAuth. Она позволяет легко интегрировать аутентификацию OAuth в ваши приложения, что делает ее идеальным инструментом для работы с API, требующими аутентификации OAuth. Requests-OAuthlib поддерживает множество сервисов, включая Twitter, GitHub, Google и другие.

➡️Основные возможности Requests-OAuthlib:
- Поддержка OAuth 1.0 и OAuth 2.0: Requests-OAuthlib поддерживает аутентификацию OAuth 1.0 и OAuth 2.0, что позволяет работать с различными API.

- Поддержка множества сервисов: Requests-OAuthlib поддерживает множество сервисов, включая Twitter, GitHub, Google и другие.

- Безопасность: Requests-OAuthlib обеспечивает безопасную аутентификацию, что важно для работы с API, требующими аутентификации.

➡️Пример Аутентификации OAuth 1.0 с Twitter:

from requests_oauthlib import OAuth1Session

# Ключи и токены для аутентификации
consumer_key = 'YOUR_CONSUMER_KEY'
consumer_secret = 'YOUR_CONSUMER_SECRET'
access_token = 'YOUR_ACCESS_TOKEN'
access_token_secret = 'YOUR_ACCESS_TOKEN_SECRET'

# Создание сессии OAuth 1.0
twitter = OAuth1Session(consumer_key, client_secret=consumer_secret,
                        resource_owner_key=access_token,
                        resource_owner_secret=access_token_secret)

# Запрос к API Twitter
response = twitter.get('https://api.twitter.com/1.1/account/verify_credentials.json')

# Вывод результата
print(response.json())

⛓Полезные ссылки:
Официальный сайт
GitHub

🐍 Pythoner