Python и 1000 программ

▶️ Логирование: оставь print позади Логирование – это фиксация состояния вашего приложения в определенный момент времени. Оно позволяет понимать, что система работает как ожидается (и вообще работает), а также облегчает диагностику проблем Минусы print: - нет общего формата (дата) - не ясно какой модуль в каком месте написал информацию, насколько она важна - нужно выключать/включать, обязательно забудем удалить - нельзя гибко настроить куда писать (файл/консоль) Когда уместен print: в очень простых, маленьких приложениях и скриптах. Чем больше и сложнее приложение тем важнее использовать специальные инструменты логирования DIWEC = DEBUG - INFO - WARNING - ERROR - CRITICAL DEBUG – самая подробная информация, нужна только разработчику и только для отладки, например значения переменных, какие данные получены и т.д. INFO – информационные сообщения, как подтверждение работы, например запуск сервиса WARNING – еще не ошибка, но уже надо посмотреть - мало места на диске, мало памяти, много созданных объектов и т.д ERROR – приложение еще работает и может работать, но что-то пошло не так CRITICAL – приложение не может работать дальше logger = getLogger(__name__) – принятый подход для логирования с именем модуля логеры с именами наследуют настройки от root, но могут быть настроены иначе logger.debug("Get expression %s", exp) – для обратной совместимости используется старый формат через % 👀 Смотреть на YouTube

📣 4 Python библиотеки для интерпретируемого машинного обучения Хотите добиться лучшего объяснения моделей машинного обучения? Нужна хорошая визуализация? Используйте эти Python библиотеки. ⏺ Yellowbrick – эта Python библиотека и расширение пакета scikit-learn. Предоставляет некоторые полезные и симпатичные визуализации для моделей машинного обучения. Объекты визуализатора, основной интерфейс – оценки scikit-learn, поэтому если привыкли работать с scikit-learn, рабочий процесс покажется знакомым. ⏺ ELI5 – ещё одна библиотека визуализации, которая пригодится для отладки моделей машинного обучения и объяснения сделанных прогнозов. Работает с самыми распространёнными инструментами машинного обучения на Python, включая scikit-learn, XGBoost и Keras. ⏺ LIME – расшифровывается как локальные интерпретируемые, независимые от модели объяснения. Интерпретирует предсказания, сделанные алгоритмами машинного обучения. Lime поддерживает объяснение единичных прогнозов из диапазона классификаторов, а также взаимодействует с scikit-learn «из коробки» ⏺ MLxtend – этой библиотеке найдёте массу вспомогательных функций для машинного обучения. Она охватывает классификаторы стекинга и голосования, оценку модели, выделение признаков, а также проектирование и построение графиков. Дополнительно к документации в помощь с Python библиотекой рекомендуем почитать углублённый материал. 🖥 Читать подробнее

Участвуй в хакатоне ЛЕТС ХАК и реши кейс: Клиентский портал по исследованию защищенности внешнего периметра заказчика Формат: онлайн Регистрация до 23 мая Общий призовой фонд: 300 тыс. рублей Кейс от MTS STARTUP HUB и FUTURE CREW Задача: Клиентский портал по исследованию защищенности внешнего периметра заказчика Проблема: Компаниям требуется длительный ручной процесс согласования работ по проведению исследования внешнего периметра компании на предмет наличия уязвимостей, даже при разовом сканировании. Цель: Автоматизировать и ускорить процесс сбора документации для старта исследования. Описание: Необходимо создать клиентский портал самообслуживания для продукта платформа CICADA8. ВАЖНО! Зарегистрированный пользователь должен иметь юридически значимое подтверждение о возможности представлять компанию. Внутри портала должен быть реализован функционал сканирования внешнего периметра инфраструктуры заказчика с последующим анализом специалистами ИБ по желанию. ОБЯЗАТЕЛЬНО! Заявленное выше должно быть законным и юридически значимым на территории РФ. Стек технологий: Python, Django, PostgreSQL Подробная информация и регистрация: https://www.хакатоны.рус/letshackhack Знакомьтесь с людьми, решайте реальные прикладные задачи, набирайтесь опыта и бейтесь за призы на хакатоне Лет'с Хак!

▶️ Знакомство с индексами и срезами строк Строка, как упорядоченный набор символов. Индексирование строк, обращение к символам по определенным индексам. Срезы строк – выделение групп символов из строки. Примеры и особенности работы. 👀 Смотреть на YouTube

📣 Создание интерактивных панелей с Streamlit В небольшом туториале мы расскажем, как за 12 простых шагов подготовить среду и создать интерактивную панель для визуализации данных Панель мониторинга (dashboards) – это графический пользовательский интерфейс для интерактивного отображения информации, а также визуализации ключевых показателей и тенденций данных. Разработка таких панелей является довольно утомительной задачей Streamlit – простая библиотека Python с открытым исходным кодом, которая стремительно набирает популярность в области машинного обучения и Data Science. Она позволяет публиковать веб-приложения в открытом доступе, а также включает встроенный веб-сервер с возможностью развертывания в контейнере docker. В этом обзоре вы найдете подробную инструкцию о том, как самостоятельно разработать и опубликовать интерактивную панель для визуализации данных 🖥 Читать подробнее

Хотите тестировать приложения на Python быстрее? Создайте пакет в Python и интегрируйте его с проектами Django. О том, как это сделать, мы поговорим на открытом уроке «Как создать свою библиотеку и ускорить тестирование в Django REST framework». Приглашаем веб-разработчиков, Python-разработчиков, бэкенд-разработчиков, девопс-инженеров. Вы научитесь: - Создавать пакет Python - Пользоваться инструментами для тестирования приложений в Django REST Framework - Писать тест-кейсы для юнит-тестов - Интегрировать созданный пакет в проекты Django Занятие проведёт Python-разработчик и опытный преподаватель OTUS – Леонид Орлов. Бонус! Всем участникам – скидка 5% на любой курс OTUS 23 мая в 19:00 МСК Записаться на воркшоп - https://otus.pw/443D/?erid=LjN8JzwYJ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.