Python 🇺🇦

Підхід SHAP У цьому прикладі ми завантажуємо модель бостон і поділяємо її на тренувальні та тестові дані — і навчаємо модель градієнтного бустингу xgboost на тренувальних:

import shap
import xgboost
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# завантаження даних
X, y = load_boston(return_X_y=True)
X_ train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# навчання моделі
model = xgboost.train({"learning_rate": 0.01}, xgboost.DMatrix(X_train, label=y_train), 100)

# створення об'єкта SHAP для інтерпретації моделі
explainer = shap.Explainer(model)
shap_values = explainer(X_test)

# виведення значень SHAP для першого об'єкта із тестових даних
shap_values[0].values

Після цього створюємо об'єкт Explainer з бібліотеки shap, який використовується для інтерпретації передбачень моделі. Викликаємо метод __call__ у об'єкта explainer з тестовими даними як аргумент для отримання значень SHAP для цих даних. #SHAP // #theory // Python

Винятки — це тип даних, який потрібен для того, щоб повідомляти нам про помилки.

try:
   print(1 / 0)
except Exception as exc:
   print(exc)
"""Division by zero"""

try:
   import assad
except ImportError as exc:
   print(exc)
"""No module named asdasd"""

Існує базовий виняток BaseException від якого успадковуються всі інші винятки. У блоці try ми виконуємо інструкцію, яка може спричинити виняток, а в блоці except ловимо помилки і робимо свої операції.

Варто врахувати, що ми можемо робити безліч вкладених блоків. Грамотно виловлювати лише ті винятки, на які ми очікуємо.

#Python // #practice // Вакансії IT

Основи синтаксису Python Синтаксис Python настільки простий та інтуїтивний, що з ним впорається навіть той, хто вперше відкриває код.

Але не варто його недооцінювати — під цією "доброзичливою" зовнішністю ховається міць для вирішення найскладніших завдань.

Мова: 🇺🇦 #Python // #theory // Архів книг

Композиція — це відношення, при якому об'єкти одного класу пов'язані з об'єктами іншого. Такий спосіб організації взаємодії між класами називається асоціацією.

class Salary:
   def __init__(self, pay):
      self.pay = pay

   def get_total(self):
      return self.pay * 12

class Employee:
   def __init__(self, pay, bonus):
      self.salary = Salary(pay)
      self.bonus = bonus

   def get_salary(self):
      return self.salary.get_total() + self.bonus

employee = Employee(5000, 10000)
employee.get_salary() # 70000

Зазвичай, у такому випадку об'єкт одного з класів (у прикладі вище це Salary) є полем іншого (Employee). Асоційовані об'єкти часто циклічно посилаються один на одного, що ламає стандартний механізм збирання сміття. В такому випадку необхідно використовувати слабкі посилання з модуля weakref. #Python // #practice // Вакансії IT

Найкращі книги по Python Добірка наших останніх публікацій із найбільш вартісними посібниками по мові Python: 🔴Python for Data Science For Dummies (🇬🇧, 2024) — основи Python для роботи з аналізом даних. 🔴Python Playground (🇬🇧, 2024) — колекція творчих програмних проектів для Python. 🔴Learning Ray (🇬🇧, 2023) — для локального використання Ray і створення обчислювальних кластерів. 🔴Python for Data Science (🇬🇧, 2020) — дозволить блискуче розібратись в основах технологій Data Science. 🔴Python For Data Science And Machine Learning (🇬🇧, 2021) — про Data Science та машинне навчання через призму Python. 📚 Товариство, які ще знаєте вартісні українські чи англійські матеріали по Python? #Python // #books // Вакансії IT

for ((a, b), c) in [((1, 2), 3), ((4, 5), 6)]:
   print(a, b, c, end="; ")

👉 Відповідь #Python // #practice // Архів книг

Вакансія: Python Developer Компанія Yota-X шукає на віддалену роботу розробника з досвідом на Python від 2-х років — для розробки бекенд-логіки за допомогою Python (FastAPI) і розробки RESTful API для інтеграції з фронтендом та сторонніми сервісами. 📝 Відкрити анкету #python // #jobs // Архів книг

У Python є два вбудовані способи для сортування списків — функція sorted() і метод list.sort(). Результат в обох випадках однаковий, але все ж таки є нюанси. Функція sorted() приймає на вхід аргумент у вигляді списку, а повертає вже новий, відсортований список. При цьому вихідний список не змінюється.

nums = [2, 3, 1, 5, 6, 4, 0]

print(sorted(nums))   # [0, 1, 2, 3, 4, 5, 6]
print(nums)           # [2, 3, 1, 5, 6, 4, 0]

print(nums.sort())    # None
print(nums)           # [0, 1, 2, 3, 4, 5, 6]

Метод sort(), в свою чергу, застосовується до списку, безпосередньо змінює його і нічого не повертає. #sorted #sort // #practice // Python

Легкий веб-фреймворк Bottle Після запуску подібного прикладу можете перейти в браузері за адресою localhost:5000/hello/world і подивитися на результат, отриманий з п'яти рядків коду:

from bottle import route, run, template

@route('/hello/<name>')
   def index(name):
   return template(<b>Hello, {{name}}</b>!', name=name)

run(host='localhost', port=5000)

#Bottle // #theory // Python

Нетривіальне мінімальне значення На 4-му уроці "2-го сезону" відео-курсу по вирішенню задач на Python автор показує знаходження нетривіального мінімального значення — з аналізом вхідних даних, рефакторингом коду, використанням функції MIN і дандер-методу. Мова: 🇺🇦 Тривалість: 14 хв #Python // #lessons // Архів книг

❗️ Безоплатний 8-денний тест-драйв IT професій ▪️ Для бажаючих працювати онлайн і заробляти в $; ▪️ Для тих, хто давно хотів працювати в IT, але не обрав для себе напрям Тривалість — 8 днів. Заняття проходять вечорами.

На тест-драйві ви спробуєте себе в ролях: ▫️ вебдизайнера, ▫️ розробника, ▫️ дата-аналітика, ▫️ проджекта, ▫️ тестувальника.

✅ Програма розрахована на новачків. У вільний час ви дивитесь короткі лекції та робите цікаві завдання, які перевіряє ментор. Почни новий рік правильно! 🎁 Після реєстрації приємний бонус: Штучний інтелект в IT. Як використовувати AI у 5 ключових ІТ-професіях?. 🔥 Реєструйтесь за посиланням: https://i.goit.global/ci9Y5

Ви можете здійснювати пошук у масиві для певного значення та повертати індекси, які набувають збігу.

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 4, 4])
x = np.where(arr == 4)
print(x) # (array([3, 5, 6]),)

Для пошуку в масиві використовуйте метод where(). У цьому прикладі йде пошук індексів, де значення дорівнює 4. #NumPy // #practice // Python

🛡 Знахідка для тих, хто дбає про кібербезпеку З'явився новий тул для Chrome, який у реальному часі перевіряє будь-який сайт чи застосунок на загрози. Він моніторить трафік, шукає фішинг, атаки, а ще API-ключі, паролі й токени, які могли прогавити розробники. 👉 Забрати на GitHub #Chrome // #news // Python

Ist = [[0], [1, 2], [3, 4], [5]]
sum(lst, [1])

👉 Відповідь #Python // #practice // Архів книг

Сканування таблиці На 3-му уроці "2-го сезону" відео-курсу по вирішенню задач на Python автор продовжує казкову історію про Гіперкуб і показує вирішення задачі на сканування таблиці, з групуванням координат і рефакторингом. Мова: 🇺🇦 Тривалість: 13 хв #Python // #lessons // Архів книг

[_ for _ in range(5,0,-1) if _ == True]

👉 Відповідь #Python // #practice // Архів книг

Метод splitlines() розбиває рядок на список. Розбиття виконується на розривах рядків.

txt = "Thank you for the music\n Welcome to the jungle"
x = txt.splitlines()
print(x)
# ['Thank you for the music', 'Welcome to
the jungle']

Можна ще вказати, слід включати розриви рядків (True), чи ні (False, за замовчуванням). #splitlines // #practice // Python

Проект LIME У цьому прикладі ми завантажуємо дані про якість соку і поділяємо їх на тренувальні та тестові. Потім ми навчаємо модель RandomForestClassifier на тренувальних даних.

import lime
import lime.lime_tabular
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_ selection import train_test_split

# завантаження даних
wine = pd.read_csv('juice.csv')

# поділ даних на тренувальні та тестові
X = juice.drop('quality', axis=1)
y = juice['quality']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# навчання моделі
model = RandomForestClassifier(random_state=42)
model.fit(X_train, y_train)

# створення об'єкта LIME для інтерпретації моделі
explainer = lime.lime_tabular.LimeTabularExplainer(
   X_train.values,
   feature_names=X.columns,
   class_names=['bad', 'good'],
   mode='classification'
)

# вибір індексу об'єкта для інтерпретації передбачення
i = 0

# отримання пояснення для передбачення
exp = explainer.explain_instance(X_test.values[i], model.predict_proba)

# виведення пояснення у вигляді списку
exp.as_list()

Далі ми створюємо об'єкт LimeTabularExplainer з бібліотеки lime, який використовується для інтерпретації передбачень моделі. Ми вибираємо індекс об'єкта з тестових даних і використовуємо метод explain_instance для отримання пояснення моделі для цього об'єкта. #LIME // #theory // Python

Кожен хоч раз перевіряв швидкість інтернету на Speedtest. А у них, виявляється, є не лише сайт і додатки, а й пакет на Python! В об'єкта класу Speedtest методи download() та upload() видають відповідно швидкість скачування та завантаження даних.

# pip3 install speedtest-cli

import speedtest

st = speedtest.Speedtest( )

download_speed = st.download()
print(download_speed / (2 ** 20))

# 85.1634030205186

upload_speed = st.upload()
print(upload_speed / (2 ** 20))

# 20.926127321782126

Методи видають результат у байтах, тому для наочності у прикладі всі дані переведено в мегабайти при виведенні. #Speedtest // #practice // Python

Python For Data Science And Machine Learning Ця книга суттєво роз'яснює, що таке data science та машинне навчання через призму Python, знайомить з NumPy і роботою з масивами, з Pandas і маніпулюванням даними, з Matplotlib і Seaborn і візуалізацією даних.

Також ви знайдете тут популярні алгоритми машинного навчання і дізнаєтесь, як реалізувати класифікацію та регресію за допомогою Python.

Рік: 2021 Мова: 🇬🇧 Автор: Andy Vickler #DataScience // #books // Python