🌐 Maigret — это инструмент OSINT (разведки на основе открытых данных), который позволяет находить профили пользователей в более чем 2000 онлайн-сервисах на основе имени пользователя!

🌟 Он анализирует доступную информацию, такую как социальные сети, форумы и платформы, и создает отчет о найденных профилях.

🔐 Лицензия: MIT

🖥 Github

@pythonl

🖥 В Python оператор break часто используется для раннего завершения цикла, но иногда его применение может привести к менее читаемому или запутанному коду. В этой статье мы рассмотрим альтернативы, которые помогут сделать ваш код чище и понятнее.

▪ Использование конструкции for/else:
Если вам нужно выполнить дополнительное действие, когда цикл завершается без принудительного выхода, можно использовать блок else. В этом случае код внутри else выполнится только если цикл завершился «естественным образом», а не с помощью break.

▪ Флаговое управление циклом:
Вместо использования break можно завести булевую переменную (флаг), которая будет сигнализировать, что условие для выхода выполнено. Это позволяет явно обозначить, когда цикл должен завершиться, делая логику более явной.

▪ Возврат из функции (return):
Если цикл находится внутри функции, можно отказаться от break, просто завершив выполнение функции через return. Такой подход сразу возвращает результат и предотвращает дальнейшее выполнение кода, что зачастую упрощает логику.

▪ Использование исключений:
В некоторых случаях, особенно когда требуется выйти из вложенных циклов, можно определить и выбросить специальное исключение. Этот метод позволяет аккуратно прервать выполнение нескольких уровней циклов, а затем обработать исключение в одном месте.

Каждая из этих альтернатив может оказаться более подходящей в зависимости от контекста задачи. Применение таких методов помогает сделать код более предсказуемым, улучшает его поддержку и повышает читаемость. Попробуйте применить один из этих подходов в своём проекте и оцените, насколько он улучшает структуру вашего кода!

📌 Читать статью

👩‍💻 Wowy — это шаблон интернет-магазина, построенный на Django 4.x, который предоставляет полный набор функций для управления!

🌟 Она обеспечивает удобный пользовательский интерфейс и мощную панель администратора. Включает поддержку управления товарами (с множеством изображений), управление категориями, корзину, список желаний, генерацию PDF-счетов и детальную аналитику продаж.

🔐 Лицензия: MIT

🖥 Github

@pythonl

✔️ 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

Синтаксис Python освоили, а что дальше? 🐍
Работа с БД, парсинг и идеи для пет‑проектов
 
В новом бесплатном курсе от Selectel собраны обучающие материалы для первых шагов в мире реального программирования. Меньше теории — больше практики. На вдумчивое ознакомление со всеми материалами уйдет около четырех часов.
 
После прохождения курса вы научитесь:
🔹 работать с базами данных и брокерами сообщений,
🔹 создавать приложения с графическим интерфейсом,
🔹 автоматизировать получение данных.
 
Переходите в Академию Selectel, чтобы начать изучение курса прямо сейчас ➡️

Реклама. АО «Селектел», ИНН 7810962785, ERID: 2VtzqwJGQBa

🖥 "Think Python" - баспланая книга от O'Reilly

Одна из лучших книг для изучения Python.

❤️‍🔥Как вам обложка?

❯ 3 издание
❯ 2 издание

@pythonl

⚡️Какой основной инструмент работы у аналитика?

Pandas - инструмент, который делает жизнь аналитика проще и приятней, а работу - эффективней.

Научиться работать с Pandas на реальных задачах бизнеса можно на бесплатном курсе от Simulative.

За неделю обучения вы:
🟠Освоите Pandas с нуля до продвинутых функций: сложная агрегация, оконные функции и т.д.
🟠Научитесь решать реальные аналитические задачи: проводить многомерный ABC-анализ, XYZ-анализ, рассчитывать динамику продаж.
🟠Сделаете собственный проект, который сможете добавить в портфолио: реальный кейс автоматизации обработки финансовой отчетности от крупной региональной аптечной сети

🕗 Обучение проходит на платформе школы

😶Начать учиться Pandas

🥹 Pokemon Gym — среда для обучения агентов игре Pokémon Red/Blue.

Интерфейс, похожна стандартные среды RL (например, OpenAI Gym/Gymnasium), но адаптированный для игры Pokémon Red/Blue.

Если хотите позалипать на выходных и попробовать различные RL-алгоритмы для обучения Ai игре в покемонов.

В основе лежит эмулятор Game Boy, реализованный на Python — библиотека pyboy.

Основная цель — создать и обучить ИИ-агентов, способных самостоятельно играть в Pokémon: исследовать мир, ловить покемонов, тренировать их, сражаться с другими тренерами и проходить игру.

Игроку любителю потребуется ~400 шагов, чтобы поймать первого покемона, Клоду 3.7 понадобилось ~450 🤗

🔗 Github

@ai_machinelearning_big_data


#AIagents #ml #ai #opengym