Python/ django

Ir al canal en Telegram

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

Red:Machinelearning Rusia10 246 Tecnologías y Aplicaciones2 202...

📈 Análisis del canal de Telegram Python/ django

El canal Python/ django (@pythonl) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 59 997 suscriptores, ocupando la posición 2 202 en la categoría Tecnologías y Aplicaciones y el puesto 10 246 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 59 997 suscriptores.

Según los últimos datos del 11 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -568, y en las últimas 24 horas de -5, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.98%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.11% de reacciones respecto al total de suscriptores.
Alcance de las publicaciones: Cada publicación recibe en promedio 4 188 visualizaciones. En el primer día suele acumular 1 867 visualizaciones.
Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 22.
Intereses temáticos: El contenido se centra en temas clave como github, claude, контекст, архитектура, api.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“по всем вопросам @haarrp @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3Fmxm...”

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 12 junio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.

59 997

Suscriptores

-524 horas

-1167 días

-56830 días

4 188

Visitas de la publicación

~ 1 86724 horas

~ 2 31948 horas

6.98%

Tasa de compromiso

~ 1

Mensajes por día

Ads index

beta

Archivo de publicaciones

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