Python Community

🖥 Arq — это библиотека для Python, которая предоставляет возможность асинхронного выполнения фоновых задач и удаленного вызова процедур с использованием asyncio и Redis. Она помогает разработчикам просто создавать и управлять очередями заданий, обеспечивая при этом высокую производительность и возможность масштабирования. 🖥 Github @Python_Community_ru

Знаете ли вы, что правильная сортировка задач в проекте может сэкономить вам недели работы? Топологическая сортировка — это не просто алгоритм, а инструмент для реального мира: от планирования работ до управления зависимостями. На открытом уроке вы узнаете, как работает алгоритм Демукрона, и создадите программу, которая справляется с задачей на раз-два! Спикер Евгений Волосатов — программист баз данных и преподаватель с огромным и разнообразным опытом, автор статей и учебных программ по C#, Java, PHP. Встречаемся 17 февраля в 20:00 мск. Участники получат скидку на большое обучение «Алгоритмы и структуры данных». Регистрация уже открыта: https://clck.ru/3GQK7Y Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

🖥 Shellingham (https://github.com/sarugaku/shellingham) — это библиотека на Python, предназначенная для определения оболочки, в которой работает текущий процесс Python. Она предлагает функцию detect_shell(), которая возвращает кортеж с именем оболочки (в нижнем регистре) и путем к исполняемому файлу этой оболочки. 🌟 Пример использования: import shellingham shell_name, shell_path = shellingham.detect_shell() print(f"Shell: {shell_name}, Path: {shell_path}") Лицензия: ISC ▪Github (https://github.com/sarugaku/shellingham) @Python_Community_ru

Бесплатный курс «Атом.Порт – система управления конфигурациями». Узнайте, как мигрировать ПО на отечественное с помощью Атом.Порт. Практика на виртуальных стендах, полное освоение SaltStack! Курс при поддержке Росатома: освоение «Атом.Порт» и SaltStack. Пройдите путь от установки до управления безопасностью рабочих станций. Зарегистрируйтесь: https://clck.ru/3GPxau Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

🖥 Rich — это библиотека на Python, которая предназначена для отображения форматированного текста и улучшения вывода в терминале. 🌟 Она позволяет просто добавлять цвета, стили, таблицы, индикаторы прогресса, подсветку синтаксиса, отображение Markdown и многое другое в консольные приложения. 🔐 Лицензия: MIT 🖥 Github @Python_Community_ru

🖥 PdfDing (https://github.com/mrmn2/PdfDing) — это программа для управления, просмотра и редактирования PDF-документов, которая предлагает удобный интерфейс для работы на разных устройствах. 🌟 Она позволяет открывать PDF-файлы прямо в браузере и сохраняет место чтения, чтобы можно было продолжить с того же места позже. Пользователи могут организовывать свои PDF-документы с помощью многоуровневых тегов, добавлять комментарии, выделения и рисунки, а также использовать такие функции, как темный режим, инвертированные цвета и настраиваемые цветовые темы. Кроме того, PdfDing поддерживает единый вход (SSO) через OIDC и предоставляет возможность делиться PDF-документами с внешними пользователями с помощью ссылок или QR-кодов с опциональным контролем доступа. 🔐 Лицензия: GPL-3.0 🖥 Github (https://github.com/mrmn2/PdfDing) @Python_Community_ru

🖥 Mail0 (https://github.com/nizzyabi/Mail0) — это проект с открытым исходным кодом, который нацелен на создание альтернативы Gmail. Он позволяет пользователям управлять своей электронной почтой, не полагаясь на крупных провайдеров. 🌟 Проект предоставляет возможность самостоятельно хостить почтовый сервер, интегрироваться с внешними сервисами (такими как Gmail и Outlook) и обеспечивает конфиденциальность, так как данные находятся под полным контролем пользователя. Основное внимание уделяется прозрачности, приватности и гибкости настройки. 🖥 Github (https://github.com/nizzyabi/Mail0) @Python_Community_ru

🖥 LLM Functions (https://github.com/sigoden/llm-functions?tab=readme-ov-file) — это проект с открытым исходным кодом, который упрощает разработку инструментов и агентов, основанных на больших языковых моделях, с использованием таких языков программирования, как Bash, JavaScript и Python. 🌟 Он позволяет разработчикам легко интегрировать LLM с собственным кодом, что открывает широкие возможности для выполнения системных команд, обработки данных, работы с API и многого другого. 🔐 Лицензия: MIT 🖥 Github (https://github.com/sigoden/llm-functions) @Python_Community_ru

🖥 CodeCapy (https://github.com/scrapybara/codecapy) — это бот, который автоматически тестирует код в пулл-реквестах на GitHub. 🌟 Он находит новые пулл-реквесты, создает UI-тесты на естественном языке на основе внесенных изменений, выполняет эти тесты в изолированных средах Scrapybara и публикует результаты в комментариях к пулл-реквестам. 🔐 Лицензия: MIT 🖥 Github (https://github.com/scrapybara/codecapy) @Python_Community_ru

🖥 NiceGUI (https://github.com/zauberzeug/nicegui) — это удобный фреймворк на Python, который позволяет создавать веб-интерфейсы, отображающиеся в вашем браузере. 🌟 С его помощью можно легко создавать такие элементы, как кнопки, диалоги, разметка Markdown, 3D-сцены, графики и многое другое. NiceGUI идеально подходит для разработки небольших веб-приложений, информационных панелей, проектов в области робототехники, решений для умного дома и других схожих задач. 🔐 Лицензия: MIT 🖥 Github (https://github.com/zauberzeug/nicegui) @Python_Community_ru

🖥 python-benedict (https://github.com/fabiocaccamo/python-benedict?tab=readme-ov-file) — это расширение стандартного словаря Python, которое предлагает дополнительные функции для удобной работы с данными. 💡 Основные особенности включают возможность доступа к значениям по списку ключей (keylist), доступ к вложенным данным с помощью разделителей (keypath) и доступ к элементам словаря через атрибуты (keyattr). Кроме того, библиотека предоставляет встроенные методы для чтения и записи данных в различных форматах, таких как JSON, YAML, XML, CSV, INI, TOML, HTML, Base64, а также для работы с файлами Excel и строками запросов. 🔐 Лицензия: MIT 🖥 Github (https://github.com/fabiocaccamo/python-benedict?tab=readme-ov-file) @Python_Community_ru

🖥 Ollama Python (https://github.com/ollama/ollama-python) — это библиотека, созданная для соединения проектов на Python версии 3.8 и выше с платформой Ollama. 🌟 Она предлагает удобный интерфейс для работы с языковыми моделями, такими как Llama 3.2, что позволяет разработчикам легко добавлять функции обработки естественного языка в свои приложения. 🔐 Лицензия: MIT 🖥 Github (https://github.com/ollama/ollama-python) @Python_Community_ru

🖥 Fastcore (https://github.com/AnswerDotAI/fastcore) — это библиотека на Python, которая расширяет возможности языка для работы с библиотекой fastai. 💡 Она предлагает функции для тестирования, многократной диспетчеризации, композиции объектов и функционального программирования. Fastcore внедряет возможности из других языков, таких как множественная диспетчеризация из Julia и миксины из Ruby, а также улучшает стандартные функции Python, включая параллельную обработку. 🔐 Лицензия: Apache-2.0 🖥 Github (https://github.com/AnswerDotAI/fastcore) @Python_Community_ru

🖥 httpdbg (https://github.com/cle-b/httpdbg) — это инструмент с открытым исходным кодом, который предназначен для отладки HTTP(S)-запросов в Python-программах. 🌟 Он дает возможность разработчикам перехватывать и анализировать HTTP(S)-запросы, которые их приложения отправляют, без необходимости изменять исходный код. Для использования инструмента достаточно запустить программу с помощью команды pyhttpdbg вместо стандартного python, после чего перехваченные запросы можно просматривать через веб-интерфейс по адресу http://localhost:4909. 🔐 Лицензия: Apache-2.0 🖥 Github (https://github.com/cle-b/httpdbg) @Python_Community_ru

‍Вы также можете стать аналитиком уровня Middle+, если добавите к своим навыкам умения в проектировании архитектуры и интеграции веб-сервисов. Два месяца назад мы уже упоминали этот курс. Сейчас сообщаем снова, потому что курс получил полезные обновления, которые доступны всем ученикам, независимо от времени покупки. Первое: в портфолио добавлены примеры интеграций от крупных компаний из BigTech. Это поможет вам понять, как технологии применяются в реальных бизнес-ситуациях. Второе: обновлено портфолио. Теперь в нем есть задания повышенной сложности для каждой темы. Это небольшие реальные проекты, которые помогут вам не только проверить, но и улучшить свои навыки. Третье: добавлен новый модуль по проектированию баз данных, включая нормализацию, транзакции, основы DWH и индексы. Четвертое: активирован чат для учеников, где можно общаться, обмениваться опытом и получать помощь от сообщества. Результаты после прохождения курса: 15 рабочих проектов в вашем портфолио-резюме. Доступ к урокам и всем обновлениям будет предоставлен навсегда. Вы получите фундаментальную базу. Полную программу и отзывы можно посмотреть в боте курса. Когда вы перейдете в бот курса, то получите бесплатные открытые уроки по архитектуре и интеграциям. Ссылка на бот: @studyit_help_bot (https://t.me/studyit_help_bot?start=dl-1738845119464b9a849974) Скидка на курс от канала составляет 1 000₽ на Stepik по промокоду PYTHONL2 до 28 февраля. @Python_Community_ru

⚡️ Surprise Создание эффективной рекомендательной системы с нуля может потребовать значительного времени и объема программного кода. Surprise облегчает этот процесс, позволяя разрабатывать рекомендательные системы с минимальным количеством кода, предоставляя встроенные алгоритмы, готовые наборы данных и средства для оценки модели. ▪ Github (https://github.com/NicolasHug/Surprise) ▪ Пример (https://codecut.ai/how-to-build-a-recommendation-engine-using-surprise-in-python/) @Python_Community_ru

⭐️ Python 1.0.0 был представлен 31 год назад. @Python_Community_ru

🖥 MicroPie (https://github.com/patx/micropie) — это очень маленький веб-фреймворк на Python, созданный для разработки веб-приложений с минимальными усилиями. 🌟 Он поддерживает асинхронные веб-приложения благодаря реализации спецификации ASGI и обеспечивает высокую производительность и гибкость. Среди основных возможностей MicroPie — автоматическое сопоставление URL с функциями, управление сессиями с помощью cookies, поддержка шаблонов через Jinja2 (при установленной библиотеке), а также минимальные зависимости, что упрощает процесс разработки и развертывания приложений. 🔐 Лицензия: BSD-3-Clause 🖥 Github (https://github.com/patx/micropie) @Python_Community_ru

🌟 Model2Vec: разработка компактных и быстрых моделей на основе Sentence Transformer. Model2Vec - это библиотека, позволяющая создавать компактные и быстрые модели на основе предобученных моделей Sentence Transformer. С помощью Model2Vec можно создавать эмбединг-модели для слов и предложений, которые значительно меньше по размеру, но при этом сопоставимы по производительности с исходными моделями Sentence Transformer. Вот некоторые ключевые особенности: 🟢 Быстрая дистилляция, процесс создания модели занимает всего несколько минут. 🟢 Быстрый инференс, который в 500 раз быстрее на CPU по сравнению с оригинальной моделью. 🟢 Возможность использования любой модели Sentence Transformer с любым словарем (BYOM и BYOV). 🟢 Мультиязычность, требуется лишь мультиязычная модель в качестве источника. 🟢 Интеграция с Huggingface, поддержка загрузки и выгрузки моделей с использованием привычных методов from_pretrained и push_to_hub. Пайплайн Model2Vec состоит из трех этапов. На первом этапе словарь проходит через модель Sentence Transformer для получения векторов эмбеддингов для каждого слова. Затем размерность полученных эмбеддингов уменьшается с помощью метода главных компонент (PCA). В завершение применяется zipf-взвешивание для учета частоты слов в словаре. Model2Vec работает в двух режимах: 🟠 Output, где модель функционирует как Sentence Transformer с использованием subword токенизации. 🟠 Vocab, где создается набор статических эмбеддингов слов, аналогично GloVe или Word2Vec. Оценка производительности Model2Vec проводилась на наборе данных MTEB по задачам PEARL (оценка качества представления фраз) и WordSim (оценка семантической близости слов). Результаты показывают, что Model2Vec превосходит GloVe и модели на основе WordLlama по всем задачам оценки. ▶️ Пример дистилляции: from model2vec.distill import distill # Выбор модели Sentence Transformer model_name = "BAAI/bge-base-en-v1.5" # Дистилляция модели m2v_model = distill(model_name=model_name, pca_dims=256) # Сохранение модели m2v_model.save_pretrained("m2v_model") ▶️ Пример инференса: from model2vec import StaticModel # Загрузка модели из HuggingFace hub или локальной. model_name = "minishlab/M2V_base_output" # Можно передать токен, если загружаете приватную модель model = StaticModel.from_pretrained(model_name, token=None) # Создание эмбеддингов embeddings = model.encode(["It's dangerous to go alone!", "It's a secret to everybody."]) 📌 Лицензирование: MIT License. ▪ Набор моделей (https://huggingface.co/minishlab) ▪ GitHub (https://github.com/MinishLab/model2vec) (https://t.me/pythonl) #AI #ML #LLM #Embedding #Model2Vec #python @Python_Community_ru