🍉 Как выбрать арбуз с помощью Python

Сезон арбузов в самом разгаре! Уже кушали? Если да, то точно столкнулись с извечной проблемой оптимизация процесса выбора арбуза.

Забываем дедовские методы, мы же не хотим полагаться на какую-то интуицию и субъективщину? В 21 веке такие важные решения должны приниматься исключительно на основе данных. Нам нужны метрики, пайплайны и воспроизводимые результаты!

Итак, представляю вам фреймворк Watermelon Driven Development (WDD).

Этап 1: Сбор данных

Подходим к арбузному развалу. Наша задача — собрать первичный датасет. Для каждого экземпляра (candidate) нам нужны следующие фичи:

- weight (float): Масса. Взвешиваем на местных весах. Если их нет — используем безмен или оцениваем на глаз, предварительно откалибровав руку на известном весе (например, на своем макбуке).
- volume (float): Объем. Определяется методом погружения в таз с водой, но на рынке это может вызвать подозрения. Поэтому аппроксимируем до эллипсоида и считаем по формуле. Замеры делаем рулеткой.
- acoustic_response (dict): Акустический отклик. Стучим по арбузу костяшкой пальца в трех разных точках (экватор, полюс №1, полюс №2). Записываем звук на диктофон. Позже прогоним через FFT-анализ для поиска резонансных частот.
- surface_pattern_complexity (float): Сложность паттерна полосок. Фотографируем и прогоняем через простенькую CV-модель для оценки энтропии изображения. Чем контрастнее и четче полоски — тем выше метрика.
- peduncle_dryness_coefficient (float): Коэффициент сухости хвостика. Значения от 0.0 (свежесрезанный, зеленый) до 1.0 (засохший, ломкий).
- stain_yellowness_index (int): Индекс желтизны земляного пятна. Используем цветовую палитру Pantone для точной оценки. Градация от 1 (белый) до 10 (насыщенно-желтый).

Этап 2: Препроцессинг и Feature Engineering

Сырые данные — мусор. Нам нужны производные признаки, которые действительно коррелируют с целевой переменной sweetness_score.

def preprocess_watermelon_data(candidates: list) -> pd.DataFrame:
    processed_data = []
    for candidate in candidates:
        # Плотность - ключевой показатель!
        candidate['density'] = candidate['weight'] / candidate['volume']

        # Анализируем звук: "звонкий" звук имеет пик в определенном диапазоне частот
        fft_peaks = analyze_fft(candidate['acoustic_response'])
        candidate['is_sound_ringing'] = 500 < fft_peaks.main_freq < 800

        # Нормализуем остальные фичи
        # ... (тут сложная математика)

        processed_data.append(candidate)
    
    return pd.DataFrame(processed_data)

Этап 3: Модель принятия решений (Decision Model)

Никаких if-else! Это слишком примитивно. Мы будем использовать взвешенную скоринговую модель. Веса подобраны на основе анализа тысяч арбузов (нет).

# Веса фичей, подобранные экспертным путем в ходе A/B-теста
WEIGHTS = {
    'density': 0.4,
    'is_sound_ringing': 0.3,
    'peduncle_dryness_coefficient': 0.15,
    'stain_yellowness_index': 0.1,
    'surface_pattern_complexity': 0.05,
}

def get_watermelon_score(candidate: pd.Series) -> float:
    """Рассчитывает итоговый скор для кандидата."""
    score = 0
    score += candidate['density'] * WEIGHTS['density']
    score += candidate['is_sound_ringing'] * WEIGHTS['is_sound_ringing']
    # ... и так далее для всех фичей
    return score

# Выбираем арбуз с максимальным скором
best_watermelon = candidates_df.loc[candidates_df['score'].idxmax()]

Итоговый алгоритм:
1. Подходите к развалу.
2. Достаете ноутбук, весы, рулетку, диктофон и палитру Pantone.
3. На недоумевающие взгляды продавца и других покупателей отвечаете: "Спокойно, я шарю".
4. Скрупулезно собираете датасет по 5-10 кандидатам.
5. Запускаете Jupyter-ноутбук, выполняете все ячейки.
6. Модель выдает вам id лучшего арбуза.
7. Покупаете его.
8. Дома разрезаете... а он неспелый.

Потому что ваша модель переобучилась на локальных данных, не учла сезонные дрифты и аномалии в поставке! Нужна MLOps-инфраструктура, постоянный мониторинг и версионирование моделей. В следующем году построим.

#хих

Как выбрать стэк для ML-задач на соревнованиях?

Разбираемся на примере E-CUP 2025 от Ozon Tech. В новой статье собрали рабочие инструменты для решения типичных заданий по машинному обучению:
1️⃣ Рекомендации: предсказание следующей покупки пользователя.
2️⃣ Логистика: автопланирование курьеров.
3️⃣ Контроль качества: автоматическое выявление поддельных товаров.

Эти задачи предстоит решить на E-CUP 2025. Регистрация открыта до 17 августа включительно

Статья поможет разобраться, какие инструменты из богатой экосистемы open-source проектов лучше использовать на соревновании:
🔹 Библиотеки и фреймворки для построения рекомендательных систем и маршрутизации.
🔹 Градиентный бустинг и графовые нейросети.
🔹 Оптимизация маршрутов и работа с геоданными.
🔹 Поиск аномалий и дефектов, работа с мультимодальными данными.

Если вы участвуете в соревновании или просто ищете надежный стэк для ML-прототипов — читайте и сохраняйте: https://cnrlink.com/ecup25articlepytalk?erid=2W5zFJczGPr

Создали две переменные, используя фигурные скобки. В одной пусто, в другой – ноль. Потом сравнили их типы.

Казалось бы, что тут сложного?

Онлайн-сервис по охране и защите интеллектуальной собственности n’RIS представил новый лендинг — Tech n’RIS, созданный для депонирования и защиты интеллектуальной собственности в научно-технической сфере. Сервис ориентирован на разработчиков программного обеспечения, инженеров, ученых, химиков и фармацевтов.
 
Tech n’RIS помогает обеспечить правовую защиту тем объектам, которые не всегда подпадают под патентование, часто нуждаются в обновлениях, долго находятся в процессе государственной регистрации или требуют дополнительного подтверждения авторства — например, элементы ПО, проектные файлы, исследовательские отчеты.
 
Платформа позволяет фиксировать авторские права на любой стадии проекта: от технической документации до готового решения. В том числе поддерживается депонирование по хешу — без раскрытия сути разработки, что актуально для ноу-хау. Все данные хранятся в зашифрованном виде, а подтверждением служит свидетельство о депонировании с цифровой подписью и штампом даты и времени КриптоПро. Сведения о депонировании фиксируются в виде транзакции в блокчейн, что исключает возможность подделки или удаления данных.
Подробнее — на новом лендинге Tech n’RIS.

🎓Полный гайд по List Comprehensions в Python

В Python существует множество способов решить одну и ту же задачу, но не все они одинаково «питоничные». Классический подход к созданию списков через цикл for и метод .append() — яркий тому пример. Он работает, но часто бывает многословным и менее читаемым.

Именно для таких случаев и существуют списковые включения (List Comprehensions) — инструмент для создания списков в одну строку, декларативно и эффективно.

Эта статья поможет досконально разобраться в теме, от основ до неочевидных приемов. Внутри не только базовый синтаксис, но и продвинутые техники.

В общем, всё, что нужно, чтобы писать более чистый, выразительный и зачастую более быстрый код.

Anthropic выкатили интересный апдейт для Claude Code: теперь можно переключить режим вывода кода командой /output-styles на режимы:

1️⃣ Explanatory: Claude не просто пишет код, а комментирует каждое свое решение. Почему выбрал именно такую архитектуру, какие были альтернативы, какие плюсы и минусы у подхода. По сути, это эмуляция опытного программиста, который сидит рядом и вслух проговаривает свой мыслительный процесс.

2️⃣ Learning: ИИ пишет код, а потом в ключевых местах останавливается, вставляет #TODO и говорит: "а вот этот кусок допиши-ка сам". Как бы парное программирование с ментором, который заставляет тебя думать, а не тупо копипастить.

Чтобы не брейнротить от копипасты любых ответов и для обучение — любопытный инструмент.