Использование API HTMS для работы с реляционно-сетевой базой данных
https://habr.com/ru/post/463515/?utm_campaign=463515&utm_source=habrahabr&utm_medium=rss

В статье «Реляционно-сетевая модель данных» (http://habr.com/ru/post/462025/) была предложена новая концепция моделирования данных HTMS, являющаяся развитием канонической реляционной модели. В настоящем материале будет показано на примерах, как ее можно практически использовать с применением API логического уровня.


Примеры привязаны к широко известному учебно-методическому решению по созданию сайтов — шаблону веб-проекта опросов на фреймворке Django в MS Visual Studio (http://docs.microsoft.com/ru-ru/visualstudio/python/python-django-web-application-project-template?view=vs-2019).

Рекомендательная система для Directum Club. Часть первая, коллаборативная
https://habr.com/ru/post/463609/?utm_campaign=463609&utm_source=habrahabr&utm_medium=rss

Каждый день пользователи по всему миру получают большое количество различных рассылок — только через сервис MailChimp ежедневно рассылают миллиард писем (https://www.wired.com/2016/07/mailchimp-sends-billion-emails-day-thats-easy-part/). Из них открывают 20.81% (https://mailchimp.com/resources/email-marketing-benchmarks/).
 
Ежемесячно пользователи наших сайтов получают рассылки с отобранными редактором материалами. Эти письма открывают около 21% читателей.

Для того, чтобы повысить это число можно сделать их персонализированными. Один из способов — добавить рекомендательную систему, которая будет подсказывать материалы, интересные конкретному читателю.

Python Bytes: #143 Spike the robot, powered by Python!
https://pythonbytes.fm/episodes/show/143/spike-the-robot-powered-by-python

Audio

matplotlib-cheatsheet - Matplotlib 3.1 cheat sheet
http://github.com/rougier/matplotlib-cheatsheet

heartrate - визуализация выполнения кода в реальном времени
http://github.com/alexmojaki/heartrate

4 must-have паттерна проектирования в Python
https://habr.com/ru/post/463731/?utm_campaign=463731&utm_source=habrahabr&utm_medium=rss



Пишете на Python и не знаете, с какого паттерна проектирования начать?

В статье разбор популярных шаблонов с примерами кода на Python.

Полезные методы над строками в Python
https://towardsdatascience.com/useful-string-methods-in-python-5047ea4d3f90

Применение машинного обучения и Data Science в промышленности
https://habr.com/ru/post/462769/?utm_campaign=462769&utm_source=habrahabr&utm_medium=rss

Хабр, привет. Написал пост, который идёт строго (!) в закладки и передаётся коллегам. Он со списком блокнотов и библиотек ML и Data Science для разных отраслей промышленности. Все коды на Python, и размещены на GitHub. Они будут полезны как для расширения кругозора, так и для запуска своего интересного стартапа.

pyforest - ленивый импорт популярных библиотек
http://github.com/8080labs/pyforest

snorkel - инструмент подготовки тестовых наборов данных
http://github.com/snorkel-team/snorkel

Список инструментов для ведения проекта
https://medium.com/georgian-impact-blog/python-tooling-makes-a-project-tick-181d567eea44

Документация, тестирование, форматирование кода

dagster-io / dagster - пишем data applications
https://github.com/dagster-io/dagster

Test and Code: 83: PyBites Code Challenges behind the scenes - Bob Belderbos
https://testandcode.com/83

Audio

Twisted 19.7.0
http://feedproxy.google.com/~r/TwistedMatrixLaboratories/~3/y-7LwEIN0ms/twisted-1970-released.html

Мелкая питонячая радость #9: консольные приложения с человеческим лицом
https://habr.com/ru/post/463725/?utm_campaign=463725&utm_source=habrahabr&utm_medium=rss

Философы говорят, что людей нужно оценивать не по тому, как высоко они могут забраться, а по тому, как низко они могут пасть.
 
В мире есть много прекрасных разработчиков, которые могут выдавать эффектные алгоритмы, изящные архитектуры и прекрасный код. Но эти же программеры берут и пишут весьма посредственно организованный код какого-нибудь маленького консольного скрипта для рассчета аналитики или патча данных в базе. Никакой разбивки на классы и функции, корявая передача аргументов, примитивный вывод малопонятной информации с помощью print()

Сегодня мы поговорим о том, как сделать лучше программы, на которые большинству плевать — одноразовые консольные утилитки и скрипты.

Исследование глубин аннотаций типов в Python. Часть 1
https://habr.com/ru/post/463929/?utm_campaign=463929&utm_source=habrahabr&utm_medium=rss

C 2014 года, когда в Python появилась поддержка аннотаций типов (https://www.python.org/dev/peps/pep-0484/), программисты работают над их внедрением в свой код. Автор материала, первую часть перевода которого мы публикуем сегодня, говорит, что по её оценке, довольно смелой, сейчас аннотации типов (иногда их называют «подсказками») используются примерно в 20-30% кода, написанного на Python 3. Вот (https://twitter.com/vboykis/status/1128324572917448704) результаты опроса, который она, в мае 2019, провела в Twitter.

Spacy + Redis = Magic
https://towardsdatascience.com/spacy-redis-magic-60f25c21303d

Оптимизация работы с NLP библиотекой Spacy силами Redis

Установка OpenCV + CUDA на Windows
https://habr.com/ru/post/464015/?utm_campaign=464015&utm_source=habrahabr&utm_medium=rss

В данной статье речь пойдет о сборке и установке OpenCV 4 для C/C++, Python 2 и Python 3 из исходных файлов с дополнительными модулями CUDA 10 на ОС Windows.


Я постарался включить сюда все тонкости и нюансы, с которыми можно столкнуться в ходе установки, и про которые не написано в официальном мануале (https://docs.opencv.org/4.1.1/d3/d52/tutorial_windows_install.html).

diff-match-patch - инструмент для манипуляции с текстом
http://github.com/google/diff-match-patch

homer - анимазатор качества текста
http://github.com/wyounas/homer

seldon-core - Machine Learning Deployment for Kubernetes
http://github.com/SeldonIO/seldon-core