Немного Python

😎 Используем ChatGPT БЕСПЛАТНО с Python без регистрации 🦾 ChatGPT объясняет и пишет код за нас, быстрые ответы, обучение и код-ревью https://youtu.be/kudfqsuq5E4 #youtube

​​📙 Программируем с PyTorch: создание приложений глубокого обучения PyTorch – это фреймворк для Python от Facebook с открытым исходным кодом. Из книги вы узнаете, как использовать его для создания собственных нейронных сетей. Вы научитесь: – Внедрять модели глубокого обучения в работу – Использовать PyTorch в масштабных проектах – Использовать сверточные модели для классификации аудиоданных – Применять самые современные методы NLP, используя модель, обученную на "Википедии" – Выполнять отладку моделей PyTorch с TensorBoard и флеймграф – Развертывать приложения PyTorch в контейнерах Автор: Ян Пойнтер Год: 2020 Скачать книгу #python #нейронки

💖 Scikit-learn - это широко используемая библиотека для машинного обучения на Python. Она построена поверх NumPy и SciPy и предлагает широкий спектр инструментов для создания и оценки моделей машинного обучения. Scikit-learn отлично подходит для построения традиционных моделей машинного обучения, таких как линейная регрессия, деревья решений и кластеризация k-средних. Как использовать scikit-learn, чтобы построить простую модель линейной регрессии представлено на картинке Ставится командой ⚙️ pip install -U scikit-learn Документация и примеры кода здесь

🔺 Как парсить данные из HTML и XML в Python Узнайте, как парсить данные из HTML и XML в Python с помощью популярных библиотек BeautifulSoup и lxml, с примерами кода! Парсинг данных из HTML и XML является распространенной задачей в области Python-разработки. Мы рассмотрим основные инструменты и подходы для решения этой задачи. BeautifulSoup BeautifulSoup — это популярная библиотека для парсинга HTML и XML документов. Она предоставляет простой и удобный интерфейс для извлечения данных из веб-страниц. Установка Для установки библиотеки BeautifulSoup выполните следующую команду: ⚙️ pip install beautifulsoup4 lxml lxml — это еще одна мощная библиотека для парсинга HTML и XML документов. Она предоставляет быстрый и эффективный парсер, основанный на C-библиотеках libxml2 и libxslt. Установка Для установки библиотеки lxml выполните следующую команду: ⚙️ pip install lxml p.s. 🖤 Также у нас на канале есть урок по парсингу, — тык

🔥 Полезные библиотеки Python MetadataParser — Python инструмент, помогающий получать метаданные веб-сайта по URL-адресу. 🌵 Описание 🌵 Местоположение 🌵 Ключевые слова 🌵 Изображения 🌵 Имена авторов контента и т. д. Установка: $ pip install metadata_parser ⚙️ GitHub/Инструкция #python #github #soft

🔥 Полезные библиотеки Python ChatGPT Telegram Bot — код готового Telegram бота, который интегрируется с официальными API OpenAI ChatGPT, DALL·E и Whisper. Готов к использованию, требует минимальной настройки. 🌵 Поддержка markdown 🌵 Сброс разговора с помощью команды /reset. 🌵 Индикатор ввода при формировании ответа 🌵 Ограничение доступа, укажите список разрешенных пользователей. 🌵 Поддержка Docker и прокси 🌵 Генерация изображения с помощью DALL·E с помощью команды /image 🌵 Расшифруйте аудио- и видеосообщения с помощью Whisper (может потребоваться ffmpeg) 🌵 Автоматическая сводка разговоров, чтобы избежать чрезмерного использования токенов 🌵 Отслеживание использования токенов 🌵 Получите персональную статистику использования токенов с помощью команды /stats 🌵 Бюджеты пользователей и гостей 🌵 Поддержка потоков 🌵 Поддержка GPT-4 🌵 Если у вас есть доступ к API GPT-4, просто измените параметр OPENAI_MODEL на gpt-4. 🌵 Локализованный язык бота 🌵 Доступные языки 🇷🇺 🇷🇺 🇹🇷 🇮🇹 🇫🇮 🇪🇸 🇮🇩 🇳🇱 🇨🇳 🇹🇼 🇻🇳 🇮🇷 🇧🇷 🇺🇦 🌵 Улучшенная поддержка встроенных запросов для групповых и частных чатов — автор @bugfloyd. 🌵 Поддержка новых моделей, анонсированных 13 июня 2023 г. 🌵 Поддержка функций (плагинов) для расширения функциональности бота с помощью сторонних сервисов. 🌵 Погода, Spotify, веб-поиск, преобразование текста в речь и многое другое. См. список доступных плагинов. ⚙️ GitHub/Инструкция #python #github #soft

✍️ Карманная PDF шпаргалка по Python ➡️ Типы данных ➡️ Математические операторы ➡️ Функции ➡️ Циклы ➡️ Условные операторы ➡️ Работа со списками, словарями ➡️ Немного ООП #python #doc #cheatsheet

Практическое введение в основные библиотеки и фреймворки Python

Python — популярный язык программирования высокого уровня для различных применений, включая веб-разработку, научные вычисления, анализ данных и машинное обучение. Простота, читабельность и универсальность сделали его популярным среди программистов всех уровней подготовки.

Реализация дополнительных функциональных возможностей в Python осуществляется благодаря использованию дополнительных библиотек, которым и освящена данная книга.
Автор, являющийся опытным разработчиком на Python, рассматривает популярные библиотки, давая их краткое описание, приводя примеры кода использования этих библиотек и рассматривая положительные и отрицательные их качества.

В книге рассматриваются следующие библиотеки: pandas, numpy, seaborn, scipy, matplotlib, scikit-learn, pytorch, tensorflow, xgboost, lightgbm, keras, pycaret, mlops, mlflow, kubeflow, zenml, shap, lime, interpretml, spacy, nltk, textblob, corenlp, gensim, regex, opencv, scikit-image, pillow, mahotas, simpleitk, flask, fastapi, django, dash, pyramid, beautifulsoup, scrapy, selenium

Автор: Мурат Дурмус Год: 2023 #python #russian

🔥 Полезные библиотеки Python Knock — простой и мегаполезный инструмент разведки, позволяет собирать информацию о поддоменах сайта. ⚙️ Использование:

$ git clone https://github.com/guelfoweb/knock.git
$ python knock.py google.com

💡 GitHub/Инструкция #python #soft #code #github

Огромный справочник по SQL на русском #doc #sql #russian

rembg - это библиотека для удаления фона у любого изображения. Работает с помощью нейронной сети. И также является консольной утилитой. Открыть изображение можно как массив байтов, либо через PIL. Оба варианта rembg понимает. А для удаления фона достаточно импортировать и вызвать метод remove(input). Ставится командой ⚙️ pip install rembg[gpu,cli] Документация и примеры кода здесь.

👨‍💻 List comprehension в Python Это компактный способ создания списков с использованием одного выражения внутри квадратных скобок. Метод позволяет упростить создание списков путем применения выражения к каждому элементу последовательности (или другого итерируемого объекта) и добавления результата в новый список. Основной синтаксис list comprehension выглядит следующим образом: [выражение for элемент in итерируемый_объект if условие] Примеры: 1. Создание списка квадратов чисел: squares = [x**2 for x in range(10)] print(squares)  # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] 2. Фильтрация элементов: Создание списка только с четными числами: even_numbers = [x for x in range(10) if x % 2 == 0] print(even_numbers)  # [0, 2, 4, 6, 8] 3. Использование вложенных циклов: pairs = [(x, y) for x in [1, 2, 3] for y in [3, 1, 4] if x != y] print(pairs)  # [(1, 3), (1, 4), (2, 3), (2, 1), (2, 4), (3, 1), (3, 4)] 4. Преобразование и фильтрация строк: sentence = "The quick brown fox" words = [word.lower() for word in sentence.split() if len(word) > 3] print(words)  # ['quick', 'brown'] List comprehension позволяет писать более чистый и компактный код, но иногда, при сложных операциях или вложенных циклах, конструкция могут стать менее читаемымой, чем традиционные циклы. В таких случаях рекомендуется использовать обычные циклы для ясности кода. #doc #python