🖥 Курс по MySQL с использованием Python! (2024)

🌟 Небольшой курс для новичков по работе с БД MySQL через Python код!

🔗 Ссылка: *клик*

#курс #python #mysql

@pro_python_code

👩‍💻 Создание конвейера потоковой передачи данных в реальном времени с использованием Kafka, Flink и Postgres!

🕞 Продолжительность: 1:00:51

🔗 Ссылка: *клик*

#курс #python #kafka

@pro_python_code

🖥 Крутой Roadmap для Python-разработчика в 2024 году

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

🖥 При работе с асинхронным кодом на #Python не используйте "time.sleep()", так как это заблокирует основной цикл.

Вместо этого используйте `async.sleep()`.

@pro_python_code

🖥 Курс: Базовое приложение на FastAPI!

🕖 Продолжительность: 1:41:06

🔗 Ссылка: *клик*

#курс #python #fastapi

✔️ СuML от NVIDIA: Scikit-learn на скорости GPU – без единой строчки нового кода!

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:

▶️Патч проверяет, есть ли у вас GPU NVIDIA.
▶️Проверяет, есть ли в cuml быстрая GPU-версия этого алгоритма.
▶️Если да – запускает ускоренную версию на GPU! 🏎️
▶️Если нет (нет GPU или алгоритм не поддерживается) – спокойно запускает обычную CPU-версию scikit-learn.

Ключевые преимущества:

✔️ Нулевые изменения кода: Ваш scikit-learn код остается прежним. Добавляете только 2 строчки:
import cuml.patch и cuml.patch.apply().
✔️ Колоссальное ускорение: Получите прирост производительности на порядки для поддерживаемых алгоритмов (KNN, PCA, линейные модели, Random Forest (инференс), UMAP, DBSCAN, KMeans и др.) за счет мощи GPU.
✔️Автоматическое переключение между GPU и CPU. Ваш скрипт будет работать в любом случае.

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

🖥 Python на скорости Rust

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