Python/ django

الذهاب إلى القناة على Telegram

по всем вопросам @haarrp @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM

إظهار المزيد

الشبكة:Machinelearning روسيا10 246 التكنولوجيات والتطبيقات2 202...

📈 نظرة تحليلية على قناة تيليجرام Python/ django

تُعد قناة Python/ django (@pythonl) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 59 997 مشتركاً، محتلاً المرتبة 2 202 في فئة التكنولوجيات والتطبيقات والمرتبة 10 246 في منطقة روسيا.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 59 997 مشتركاً.

بحسب آخر البيانات بتاريخ 11 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -568، وفي آخر 24 ساعة بمقدار -5، مع بقاء الوصول العام مرتفعاً.

حالة التحقق: غير موثّقة
معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 6.98‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 3.11‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
وصول المنشورات: يحصل كل منشور على متوسط 4 188 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 867 مشاهدة.
التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 22.
الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل github, claude, контекст, архитектура, api.

📝 الوصف وسياسة المحتوى

يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“по всем вопросам @haarrp @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3Fmxm...”

بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 12 يونيو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

59 997

المشتركون

-524 ساعات

-1167 أيام

-56830 أيام

4 188

عرض المشاهدات

~ 1 86724 ساعات

~ 2 31948 ساعات

6.98%

معدل المشاركة

~ 1

المشاركات في اليوم

Ads index

beta

أرشيف المشاركات

59 994

🖥 Generate API docs under a minute in Django Создание документации по API за минуту в Django @pythonl

59 994

📉Time-series machine learning at scale Powerful Python library for production-ready global forecasting and time-series feature engineering. functime - это мощная библиотека на языке Python, предназначенная для построения моделей прогнозирования и построения временных рядов. ▪Github @pythonl

59 994

🦙 Code Llama The most powerful AI assistant for writing Python code. Мощнейший ИИ-инструмент с открытым исходным кодом, для написания качественного кода Python и не только. •Github •Docs •Post @pythonl

59 994

Вы ещё успеваете поступить в онлайн-магистратуру МФТИ «Финансовые технологии и аналитика» 👩‍🎓Ближайшие даты экзаменов — 4 и 19 сентября. ➕Диплом очной магистратуры гособразца по направлению 38.03.05 «Бизнес-информатика». ➕Онлайн-обучение из любой точки мира. ➕Углубленная специализация в сфере финтех-разработки или аналитики. ➕Гранты на запуск своего стартапа в области Data Science/AI/ML до 3 млн ₽. ➕Более 5 проектов в портфолио: реальные задачи от Сбера, ВТБ, Ozon Fintech, Альфа-Банка и других финтех-компаний уже с первого семестра. ➕Возможность совмещать с работой и развивать корпоративный проект в качестве дипломного. ➕Рассрочка под 3% от Сбера и Минобразования. Платёж во время учебы — до 900 ₽ в месяц. Бесплатный подготовительный курс и запись прошедших консультаций по экзаменам доступны после регистрации. Оставьте заявку, чтобы зарегистрироваться на день открытых дверей и начать готовиться к поступлению: https://netolo.gy/b3nN Реклама ООО “Нетология” LatgBawYV

59 994

❄️FreezeGun: Let your Python tests travel through time Unit tests require static input, but time is dynamic and constantly changing. With FreezeGun, you can freeze time to a specific point, ensuring accurate verification of the tested features. Юнит-тесты требуют ввода статических данных, но время постоянно меняется. С помощью FreezeGun можно "заморозить" время до определенной точки, обеспечив точную проверку тестируемых функций. ▪Github @pythonl

59 994

💛 Python Enchantment: Crafting a Face Recognition App with DeepFace Очарование Python: Создание приложения для распознавания лиц с помощью DeepFace Шаг 1: Импорт библиотеки (рис 1.) Шаг 2: Создание графического интерфейса и подключение к базе данных (рис 2.) Шаг 3: Выбор первого изображения (рис 3.) Шаг 4: Выбор второго изображения (рис 4.) Шаг 5: Сохранение в базе данных (рис 5.) Шаг 6: Анализ изображений (рис 6.) Шаг 7: Добавление рамок и кнопок (рис 7.) @pythonl

59 994

👁‍🗨 Running YOLOv7 algorithm on your webcam using Ikomia API Запуск алгоритма YOLOv7 на веб-камере с помощью Ikomia API pip install ikomia

from ikomia.dataprocess.workflow import Workflow
from ikomia.utils import ik
from ikomia.utils.displayIO import display
import cv2

stream = cv2.VideoCapture(0)

# Init the workflow
wf = Workflow()

# Add color conversion
cvt = wf.add_task(ik.ocv_color_conversion(code=str(cv2.COLOR_BGR2RGB)), auto_connect=True)

# Add YOLOv7 detection
yolo = wf.add_task(ik.infer_yolo_v7(conf_thres="0.7"), auto_connect=True)

while True:
    ret, frame = stream.read()
    
    # Test if streaming is OK
    if not ret:
        continue

    # Run workflow on image
    wf.run_on(frame)

    # Display results from "yolo"
    display(
        yolo.get_image_with_graphics(),
        title="Object Detection - press 'q' to quit",
        viewer="opencv"
    )

    # Press 'q' to quit the streaming process
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# After the loop release the stream object
stream.release()

# Destroy all windows
cv2.destroyAllWindows()

@pythonl

59 994

🐍 Не просто сложно, а очень сложно... пройти хардкорный тест по Python от OTUS. ⬆️ Ответьте на 20 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «Python Developer. Professional» от OTUS. На котором вас ждет: - Продвинутые темы и практика на «боевых» задачах уровня Middle+ - Живое общение с экспертами Python-сообщества - Проектная работа, которой можно показать свой уровень на собеседовании 💪 Овладейте лучшими практиками и навыками Python для уверенного карьерного роста

На курсе рассматриваются все особенности актуальных версий Python 3.6+.

👉 ПРОЙТИ ТЕСТ: https://otus.pw/tjWM/ Нативная интеграция. Информация о продукте www.otus.ru

59 994

A Complete Guide to Using Multiple Databases in Django Руководство по использованию нескольких баз данных в Django. @pythonl

59 994

🖥 PostgresML PostgresML is a machine learning extension for PostgreSQL that enables you to perform training and inference on text and tabular data using SQL queries. PostgresML - это расширение машинного обучения для PostgreSQL, позволяющее выполнять обучение и выводы на текстовых и табличных данных с помощью SQL-запросов. ▪Github @pythonl

59 994

🔍Building a Python QR Scanner to Generate Characters Создание QR-сканера на языке Python для генерации символов. @Pythonl

59 994

⚡Легкий способ получать свежие обновлении и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Машинное обучение: @ai_machinelearning_big_data Go: @Golang_google C#: @csharp_ci Базы данных: @sqlhub Python: @python_job_interview C/C++/: @cpluspluc Data Science: @data_analysis_ml Devops: @devOPSitsec Rust: @rust_code Javascript: @javascriptv React: @react_tg PHP: @phpshka Docker: @docker Android: @android_its Мобильная разработка: @mobdevelop Linux: linuxacademy Big Data: t.me/bigdatai Хакинг: @linuxkalii Java:@javatg Собеседования: @machinelearning_interview 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy 🔥ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: @english_forprogrammers

59 994

🖥Pytest-postgresql This is a pytest plugin, that enables you to test your code that relies on a running PostgreSQL Database. Это плагин pytest, позволяющий тестировать код, основанный на базе данных PostgreSQL. Он позволяет задавать фикстуры для PostgreSQL. pip install pytest-postgresql ▪Github @pythonl

59 994

🖥 ItsDangerous To ensure the safety of passing data to untrusted environments, use ItsDangerous. ItsDangerous adds a unique signature to the data to verify that the data has not been tampered. При передаче данных между различными веб-запросами существует риск инъекции вредоносного кода. Для обеспечения безопасности передачи данных в по API следует использовать ItsDangerous. ItsDangerous добавляет к данным уникальную подпись, которая позволяет убедиться в том, что данные не были подделаны.


pip install -U itsdangerous


from itsdangerous import URLSafeSerializer
auth_s = URLSafeSerializer("secret key", "auth")
token = auth_s.dumps({"id": 5, "name": "itsdangerous"})

print(token)
# eyJpZCI6NSwibmFtZSI6Iml0c2Rhbmdlcm91cyJ9.6YP6T0BaO67XP--9UzTrmurXSmg

data = auth_s.loads(token)
print(data["name"])
# itsdangerous

▪Github @pythonl

59 994

🖥 Automate the Mundane: How Python Scripts Transform Tedious Tasks Автоматическая организация файлов в папке загрузок, в зависимости от их типа.

import os
import shutil

# Paths
DOWNLOADS_PATH = os.path.expanduser('~/Downloads')  # Modify this if your downloads are in a different location
ORGANIZED_PATHS = {
    'Documents': ['.pdf', '.doc', '.docx', '.txt', '.md', '.xlsx', '.ppt'],
    'Images': ['.jpg', '.jpeg', '.gif', '.png', '.svg'],
    'Music': ['.mp3', '.wav', '.wma', '.ogg', '.flac', '.aac'],
    'Videos': ['.mp4', '.mkv', '.flv', '.mov', '.avi'],
    'Archives': ['.zip', '.tar', '.tar.gz', '.rar', '.7z'],
}

def organize_downloads():
    for filename in os.listdir(DOWNLOADS_PATH):
        file_path = os.path.join(DOWNLOADS_PATH, filename)

        # Ensure we're working with files only
        if not os.path.isfile(file_path):
            continue

        # Find the file's type based on its extension
        file_type = None
        for folder, extensions in ORGANIZED_PATHS.items():
            for extension in extensions:
                if filename.endswith(extension):
                    file_type = folder
                    break
            if file_type:
                break

        # Move the file to its designated folder
        if file_type:
            dest_folder = os.path.join(DOWNLOADS_PATH, file_type)
            os.makedirs(dest_folder, exist_ok=True)
            shutil.move(file_path, os.path.join(dest_folder, filename))
        else:
            # You can add a category for uncategorized files if needed
            pass

if __name__ == "__main__":
    organize_downloads()

@pythonl

59 994

Анализируем junior-вакансии с помощью Python в прямом эфире 👨‍💻 Хотите стать Python-разработчиком, но не знаете какие навыки и знания нужны в первую очередь? Тогда не пропустите вебинар от Ильи Лебедева, разработчика программного обеспечения и преподавателя программирования с нуля. Вместе с вами проанализируем вакансии с помощью Python в прямом эфире. В ходе вебинара вы сможете: → распарсить вакансии новичков → попарсить обязательные и дополнительные требования → построить аналитику → напишите скрипт, который поможет вам самостоятельно построить свой трек обучения для максимального соответствия актуальным вакансиям, его можно будет доработать под себя Для кого: На вебинаре будет интересно и тем, кто знаком с основами Python, и тем, кто не знает разницу между if и for. Мы не будем обсуждать основы синтаксиса, но программирование — это не только синтаксис языка. Когда и где: Присоединяйтесь к эфиру 17 августа в 20:00 по МСК. Зарегистрируйтесь по ссылке, чтобы не пропустить — https://vk.cc/cqaCrd

59 994

🖥 Text-to-Speech with PyTorch Преобразование текста в речь с помощью PyTorch.


import torchaudio
import torch
import matplotlib.pyplot as plt
import IPython.display

bundle = torchaudio.pipelines.TACOTRON2_WAVERNN_PHONE_LJSPEECH

processor = bundle.get_text_processor()
tacotron2 = bundle.get_tacotron2().to(device)  # Move model to the desired device
vocoder = bundle.get_vocoder().to(device)      # Move model to the desired device

text = " My first text to speech!"

with torch.inference_mode():
    processed, lengths = processor(text)
    processed = processed.to(device)      # Move processed text data to the device
    lengths = lengths.to(device)          # Move lengths data to the device
    spec, spec_lengths, _ = tacotron2.infer(processed, lengths)
    waveforms, lengths = vocoder(spec, spec_lengths)

    
fig, [ax1, ax2] = plt.subplots(2, 1, figsize=(16, 9))
ax1.imshow(spec[0].cpu().detach(), origin="lower", aspect="auto")  # Display the generated spectrogram
ax2.plot(waveforms[0].cpu().detach())                             # Display the generated waveform7. Play the generated audio using IPython.display.Audio
IPython.display.Audio(waveforms[0:1].cpu(), rate=vocoder.sample_rate)

@pythonl

59 994

Хочешь пройти алгоритмическую секцию на собеседовании с 1 раза?🤩 Если ты давно откладывал алгоритмы и не знаешь, с чего начать — это твой шанс⭐️ 71% наших учеников уже получили офферы в крупные IT-компании. Хочешь стать следующим? Помогаем заботать алгоритмы на задачах из собеседований в Яндекс, Тинькофф, ВК на курсе: "АЛГОРИТМЫ: ROADMAP для получения офферов в IT!" ☝️Он лучше аналогов, и вот почему: ➡️Структурная подача материала. Информация собрана за вас, вам не нужно искать по всему интернету ответы на вопросы. Плюс есть куратор и препод, у которого можно спросить все, что не понятно. ➡️ Много практики. 100+ задач, которые вы решите сами. За счет постепенного роста сложности задач, вы выработаете большую уверенность в том, что сможете решать алгоритмы. ➡️Каждую неделю вы будете разбирать задачи из СОБЕСЕДОВАНИЙ. Научитесь уверенно решать задачки medium и hard на Leetcode и пройдете собеседования. ➡️У вас будет личный куратор-трекер, который напоминает о ДЗ. Вы получите МОТИВАЦИЮ изучить алгоритмы. ➡️Поддержка от сообщества единомышленников. Для участников будет групповой чат. Благодаря коммьюнити и общению вы получите удовольствие от процесса, а в этом состоянии вы максимально продуктивны. Первому человеку, который пройдет весь курс до конца первым — полностью возместим деньги за обучение💲 🔥 До 18.08 можно присоединиться к 5 потоку с самой большой скидкой в году —20%. ✔️Оставляй заявку на бесплатную консультацию, где мы вместе с экспертом составим твой персональный RoadMap развития по алгоритмам: 🌐https://clck.ru/35KuNu

59 994

👱‍♂️ Creating Face Swaps with Python and OpenCV Скрипт замены лиц с помощью Python и OpenCV. Step 1: Face Detection

import cv2
def detect_face(image_path):
    # Load the face detection classifier
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

    # Read and convert the image to grayscale
    image = cv2.imread(image_path)
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # Detect faces in the image
    faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5)

    # Assuming there's only one face in the image, return its coordinates
    if len(faces) == 1:
        return faces[0]
    else:
        return None

Step 2: Swapping Faces

def main():
    # Paths to the input images
    image_path_1 = 'path_to_image1.jpg'
    image_path_2 = 'path_to_image2.jpg'

    # Detect the face in the second image
    face_coords_2 = detect_face(image_path_2)
    if face_coords_2 is None:
        print("No face found in the second image.")
        return

    # Load and resize the source face
    image_1 = cv2.imread(image_path_1)
    face_width, face_height = face_coords_2[2], face_coords_2[3]
    image_1_resized = cv2.resize(image_1, (face_width, face_height))

    # Extract the target face region from the second image
    image_2 = cv2.imread(image_path_2)
    roi = image_2[face_coords_2[1]:face_coords_2[1] + face_height, face_coords_2[0]:face_coords_2[0] + face_width]

    # Flip the target face horizontally
    reflected_roi = cv2.flip(roi, 1)

    # Blend the two faces together
    alpha = 0.7
    blended_image = cv2.addWeighted(image_1_resized, alpha, reflected_roi, 1 - alpha, 0)

    # Replace the target face region with the blended image
    image_2[face_coords_2[1]:face_coords_2[1] + face_height, face_coords_2[0]:face_coords_2[0] + face_width] = blended_image

    # Display the result
    cv2.imshow('Blended Image', image_2)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

@pythonl

59 994

🎼 AudioLDM 2: A General Framework for Audio, Music, and Speech Generation AudioLDM 2: Нейросеть, создающая музыку из текстового описания.

conda create -n audioldm python=3.8; conda activate audioldm
pip3 install git+https://github.com/haoheliu/AudioLDM2.git
git clone https://github.com/haoheliu/AudioLDM2; cd AudioLDM2

python3 app.py ▪Github ▪Demo @pythonl