Forwarded from Machinelearning
Python 3.13, спустя ровно год с начала разработки, выпущен в релиз. Поддержка версии 3.13 планируется в течение 1.5 лет, и, после окончания этого срока еще 3.5 года версия будет получать критические обновления, связанные с безопасностью.
Ключевые изменения:
–enable-experimental-jit
;–without-gil
;locals()
для функций, генераторов и сопрограмм;mimalloc
от Microsoft;docstring
;dbm
реализован бэкенд dbm.sqlite3
по умолчанию для новых файлов;typing.TypeIs
стала более интуитивной, чем typing.TypeGuard
;typing.ReadOnly
позволяет помечать элементы TypeDicts
, доступные только для чтения;warnings.deprecated()
добавлена для указания устаревших элементов в системе типов;ifc, audioop, chunk, cgi, cgitb, crypt, imghdr, mailcap, msilib, nis, nntplib, ossaudiodev, pipes, sndhdr, spwd, sunau, telnetlib, uu, xdrlib и lib2to3
из стандартной библиотеки;copy
добавлена copy.replace()
;os
добавлены функции для работы с таймером через timerfd
;random
получил интерфейс CLI;Git выпустил Git 2.47 с функциями и исправлениями ошибок от более чем 83 разработчиков, 28 из которых - новые.
В этой версии основное внимание уделяется повышению производительности и улучшению пользовательского опыта.
Основные изменения:
for-each-ref
помогает определять базовую ветвь коммита, сводя к минимуму уникальные коммиты от первого родителя и упрощая идентификацию;DEVELOPER=1
наличие неиспользуемых параметров является ошибкой времени компиляции;reftable
, обновление платформы модульного тестирования, усовершенствование git fsck
и интеграция кода Visual Studio с git mergetool
.@ai_machinelearning_big_data
#AI #ML #Python #Git #Release
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍6❤1
#курс #python #mysql
@pro_python_code
Please open Telegram to view this post
VIEW IN TELEGRAM
#курс #python #kafka
@pro_python_code
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4❤1🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
1. Основы Python
Изучите:
- Переменные и типы данных
- Условные операторы и циклы
- Функции
2. Основные структуры данных
Практика:
- Списки, множества, словари
- Стек, очередь, связанный список
- Алгоритмы сортировки и поиска
3. Погружение в объектно-ориентированное программирование (ООП)
Понять:
- Классы и объекты
- Наследование
- Инкапсуляция и полиморфизм
4. Изучение веб-фреймворков
Начните с:
- Flask (для начинающих)
- Django (для опытных разработчиков)
5. Разработка API с использованием Flask/Django
Ключевые концепции:
- Операции CRUD
- Аутентификация
- Работа с данными JSON
6. Интеграция баз данных с Python
- Базы данных SQL: SQLite, PostgreSQL
- NoSQL базы данных: MongoDB
7. Тестирование кода на Python
Основные инструменты:
- Модульное тестирование (unittest, pytest)
- Отладка (pdb)
8. Продвинутые темы Python
Глубокое погружение:
- Декораторы
- Генераторы
- Менеджеры контекста
9. Развёртывание приложений Python
Методы развёртывания:
- Разворачивание на Heroku
- Контейнеризация с помощью Docker
10. Создание и развёртывание проектов
Реализуйте проекты:
- Веб-приложения (Flask/Django)
- Сервисы API
- Проекты анализа данных
#doc #python #roadmap
@pro_python_code
Please open Telegram to view this post
VIEW IN TELEGRAM
👍10❤6🔥4👎2
"time.sleep()",
так как это заблокирует основной цикл.Вместо этого используйте
`async.sleep()`.
@pro_python_code
Please open Telegram to view this post
VIEW IN TELEGRAM
😁10👍6
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
Все мы любим scikit-learn за его простоту и мощь. Но что если ваши модели обучаются слишком долго на больших данных? 🤔 NVIDIA предлагает решение!
Вы берете свой обычный скрипт cо scikit-learn, добавляете всего две строки в начало, и он начинает работать в 10, 50, а то и 100+ раз быстрее на NVIDIA GPU!
✨ Как это работает?
Библиотека cuml от NVIDIA содержит супероптимизированные для GPU версии многих алгоритмов машинного обучения. С помощью простого вызова
cuml.patch.apply()
вы "патчите" установленный у вас scikit-learn прямо в памяти.Теперь, когда вы вызываете, например,
KNeighborsClassifier
или PCA
из sklearn:Ключевые преимущества:
2 строчки:import cuml.patch и cuml.patch.apply().
Топ инструмент для всех, кто работает с scikit-learn на задачах, требующих значительных вычислений, и у кого есть GPU от NVIDIA.
👇 Как использовать:
Установите RAPIDS cuml (лучше через conda, см. сайт RAPIDS):
python
conda install -c rapidsai -c conda-forge -c nvidia cuml rapids-build-backend
Добавьте в начало скрипта:
import cuml.patch
cuml.patch.apply()
Используйте scikit-learn как обычно!
Попробуйте и почувствуйте разницу! 😉
▪Блог-пост
▪Colab
▪Github
▪Ускоряем Pandas
@ai_machinelearning_big_data
#python #datascience #machinelearning #scikitlearn #rapids #cuml #gpu #nvidia #ускорение #машинноеобучение #анализданных
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4❤3👎1
Используя надежность библиотек yt-dlp, Scrapetube и pytube и дополненный современным графическим интерфейсом на PyQt 6, этот инструмент обеспечивает удобную загрузку вашего любимого контента.
🔗 GitHub
#python #github #opensource
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🥰3👍2❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Новый Function (fxn) — фреймворк, который компилирует Python-функции в нативный код с производительностью, сравнимой с Rust.
🧠 Как это работает?
- Использует символическое трассирование на CPython для анализа функций
- Генерирует промежуточное представление (IR)
- Транслирует IR в C++ или Rust, а затем компилирует в бинарный код
- Поддерживает платформы: Linux, Android, WebAssembly и др.
📦 Пример:
@compile
def fma(x: float, y: float, z: float) -> float:
return x * y + z
После компиляции вы получаете нативный бинарник, который можно запускать без интерпретатора Python.
🔗 Подробнее
🔗 Github
@pro_python_code
#Python #Rust #fxn #Compiler #Performance #AI #ML #Wasm
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍3🔥3
🐍 Задача на Python — Топ‑3 самых популярных товаров
Допустим, у нас есть список покупок пользователей:
🎯 Задание:
Найти 3 самых популярных товара по количеству покупок (не по числу пользователей, а по общему количеству упоминаний).
✅ Ожидаемый результат:
💡 Решение:
📌 Что тренирует задача:
• Работа со словарями и списками
• Использование Counter из модуля collections
• Умение работать с вложенными структурами
• Сортировка по частоте с помощью most_common()
#python #задача #кодинг #алгоритмы #учимпитон #collections
Допустим, у нас есть список покупок пользователей:
orders = [
{"user": "alice", "items": ["apple", "banana", "apple"]},
{"user": "bob", "items": ["banana", "orange"]},
{"user": "carol", "items": ["banana", "apple", "orange", "banana"]},
{"user": "dave", "items": ["apple"]},
]
🎯 Задание:
Найти 3 самых популярных товара по количеству покупок (не по числу пользователей, а по общему количеству упоминаний).
✅ Ожидаемый результат:
[('banana', 4), ('apple', 4), ('orange', 2)]
💡 Решение:
from collections import Counter
# Собираем все товары в один список
all_items = []
for order in orders:
all_items.extend(order["items"])
# Считаем количество каждого товара
item_counts = Counter(all_items)
# Получаем топ-3 самых популярных
top_3 = item_counts.most_common(3)
print(top_3)
📌 Что тренирует задача:
• Работа со словарями и списками
• Использование Counter из модуля collections
• Умение работать с вложенными структурами
• Сортировка по частоте с помощью most_common()
#python #задача #кодинг #алгоритмы #учимпитон #collections
🔥5👍2❤1