Buscar contenido similar

Loop better, a deeper look at iteration in Python. #article#tutorial#python @thedevs https://kutt.it/ebww7E

https://docs.python.org/3.6/c-api/index.html This manual documents the API used by C and C++ programmers who want to write extension modules or embed #Python. It is a companion to Extending and Embedding the Python Interpreter, which describes the general principles of extension writing but does not document the #API functions in detail.

#вакансия#fulltime#datascience#python Вакансия: SeniorData Scientist Локация: удаленно Компания: Remoby https://www.linkedin.com/company/remoby-dsp/ Проект: международная рекламная платформа в мире rewarded video с головным офисом на Кипре. В настоящее время мы активно разрабатываем свою Demand Side Platform (DSP) Занятость: полная ⠀ УСЛОВИЯ 🔹 Удаленная работа в часовом поясе GMT (московское время), 🔹 Заработная плата от $4 000 (обсуждается индивидуально) ⠀⠀ ВАМ ПРЕДСТОИТ: 🔹 Разрабатывать новые модели машинного обучения для улучшения качества закупки трафика, 🔹 Поддерживать, настраивать и развивать существующие модели, 🔹 Настраивать параметры рекламных кампаний для их связки с ML моделями, 🔹 Взаимодействовать по задачам с коллегами с ролями: Developer, Data Engineer, DevOps, BI, 🔹 Анализировать статистику рекламы, искать инсайты и оценивать результат работы моделей. ИЩЕМ ТЕХ, КТО: ✅ Отлично знает Python и умеет писать SQL-запросы, ✅ Обладает знаниями в фундаментальной математике, теории вероятностей и прикладной статистике, ✅Обладает опытом в AdTech(обязательное требование) ✅ Хорошо знает, как работают стандартные Machine Learning алгоритмы и имеет опыт их практического внедрения и поддержки в продакшене, ✅ Умеет объяснять свои идеи людям без знания математики и машинного обучения, а также самостоятельно конвертировать бизнес-задачу в алгоритмическую, ✅ Любит работать в команде и при необходимости брать инициативу на себя. Наш Stack: Python, Github, Vertica, MySQL, Airflow, Docker, Grafana, InfluxDB, TeamCity. ✏️Для связи: @VeryKatya

Дата-открытки: итоги работы и анализ тг-чата Продолжаю парад дата-подарков и рассказываю про открытки, которые сделала для коллеги Маши. На первой карточке — визуализация материалов по темам и форматам, над которыми Маша работала в ТАСС. Код для генерации графика написал Антон в observable еще для прошлых подарочных дата-плакатов👨‍💻 На второй открытке — облако слов из всех сообщений, которые Маша писала в наш полурабочий чат. Данные из сообщений я собрала с помощью python — запарсила архив чата (html). Если вам будет интересна серия постов с подробным описанием процесса и кодом, то ставьте 👾 Из всего набора слов я отобрала только существительные, прилагательные и междометия, позабавил контраст связанных с работой слов и нервного смеха. Глаголы и наречия в топ не забрала, т.к. они не отражали специфику диалога. Цветом отмечены топ-10 слов по частям речи. Еще есть третья секретная открытка тоже с облаком слов. Для нее я отобрала только ругательства из сообщений и также выделила цветом топ слов по корням. Чтобы никого не компрометировать, оставлю содержание карточки в секрете🤫 P.S. За организацию печати открыток спасибо рукодельнице Насте!❤️ #датаарт#датавиз#личное#python

6 июня отмечают День русского языка. Это отличный повод вспомнить о творчестве русских поэтов и писателей🤓 Делюсь подборкой материалов, для которых провела работу по анализу текстов, нашла дополнительную фактуру и собрала результаты в единую историю: 1) Песни Виктора Цоя: моя первая подобная инфографика, которую делала еще стажером, недавно освоившим python. Было одновременно страшно и интересно😄 2) Песни Владимира Высоцкого: попыталась уместить все-все интересные факты. Получилось плотно и насыщенно (возможно, слишком)🤔 3) Визуальное и текстовое творчество Вознесенского: благодаря помощи Центра Вознесенкого удалось охватить и сравнить сразу два вида творчества❤️ 4) Поэзия Владимира Маяковского: придумалась цветовая кодировка уникальных для периода слов в облаках (уверена, такое уже делали, но раньше не сообразила)☁️ 5) Дневики Льва Толстого: пугал объем текстов (целая жизнь!), но все получилось💪 6) Басни Ивана Крылова: пришлось собирать данные вручную (спасибо Крылову, что практически все басни очень короткие). Открыла для себя новый тип визуализации пересечений множеств — UpSet Plot💡 Каждый проект — маленькое личное открытие. Надеюсь, эта коллекция будет и дальше пополняться🤞 #датавиз#инфографика#рабочее#python

🔻标题：闲鱼自动发货程序（Python版）源码与配置教程 🌈说明: 部署方式有：Python 手动部署 / Docker 一键部署 📃下载地址: 夸克盘 / 蓝奏云 ✉️标签：#闲鱼#python#源码#pc

#Python#编程#C++ https://t.me/cpluspluszh

#python#爬虫#程序员 2023 路飞学城 python全栈开发

拉姆 artist：#爱东东不爱画生肉 link：https://www.pixiv.net/artworks/131018746 #RE：Zero #拉姆#女仆

▎SmartPacker_V9.8 一个便携的python程序打包工具，打包成exe软件。 添加图片，支持打包文件夹。 界面还是挺清晰的，不过打包后的软件占用还是挺大的，想要尽量优化大小打包的话，还是推荐curos或者vscode，让ai智能打包，只打包进去必需的插件。 #python#编程#打包#windows

#python#webDevelopment 🤯 The Flask Mega-Tutorial 📓Book ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----

👀 Релиз SAM 3.1 - одной из самых сильных open-source моделей для компьютерного зрения. Модель понимает, что происходит на изображении или видео, и умеет находить объекты по текстовому описанию. Можно буквально написать «человек в красной футболке» и она найдёт нужных людей. Работает не только с картинками, но и с видео. Объект можно задать один раз, и дальше модель будет отслеживать его между кадрами. Ключевая идея - open-vocabulary. Модель не ограничена фиксированными классами, как старые системы. Она оперирует огромным количеством понятий и может находить практически любые объекты. Ещё важный момент можно комбинировать способы управления: текст, клики, рамки, маски. Это даёт гораздо больше контроля и точности. Под капотом новая архитектура, где отдельно решаются задачи поиска объектов и их отслеживания. За счёт этого модель лучше различает похожие вещи и стабильнее работает на видео. В репозитории уже есть всё для старта: готовые веса, код, примеры и ноутбуки. По факту это уже не просто инструмент для разметки, а полноценный vision-движок, который можно встраивать в реальные продукты от аналитики видео до автоматизации разметки данных. Теперь модель может отслеживать до 16 объектов за один проход. С multiplexing все объекты обрабатываются одновременно: • меньше лишних вычислений • нет узких мест по памяти Результат: скорость обработки видео увеличивается примерно в 2 раза с 16 до 32 FPS на одном NVIDIA H100! На новом бенчмарке SA-CO, который включает 270 тысяч уникальных концептов, SAM 3 достигает 75–80% от уровня человека. https://github.com/facebookresearch/sam3 @ai_machinelearning_big_data #ai#ml#llm#cv#python