Prophet

Prophet — инструмент для создания высококачественных прогнозов для данных временных рядов, которые имеют множественную сезонность с линейным или нелинейным ростом.

Особенности Prophet:

• Библиотека следует API модели Sklearn.
• Prophet предоставляет быстрые и полностью автоматизированные прогнозы, с возможностью ручной настройки специалистом по дата-сайенс и анализу данных.
• Процедура прогнозирования данных временных рядов основана на аддитивной модели, в которой нелинейные тренды соответствуют годовой, еженедельной и ежедневной сезонности, а также праздничным эффектам.
• Prophet устойчива к отсутствующим данным и сдвигам в тренде и обычно хорошо справляется с выбросами.

Подробнее👇

#фреймворки_библиотеки

@python_practics

Создание случайной строки из букв и цифр

Генерирует строку случайных букв и цифр заданной длины.

👍 - если было полезно

#полезные_сниппеты

@python_practics

5 инструментов, которые используют айтишные команды

Авторы статьи рассказывают, какими инструментами пользуются внутри айтишных команд и какие можно использовать для себя здесь и сейчас или внедрить в свою команду.

Подробнее👇

#статьи

@python_practics

Можно и повышение обсудить

#мемчики

@python_practics

Mastering Python Design Patterns, 3rd Edition: Craft essential Python patterns by following core design principles

Чему вы научитесь:

• Применению классических и современных паттернов проектирования в Python;
• Решению типовых проблем разработки с помощью проверенных подходов;
• Созданию гибкого и поддерживаемого кода на Python;
• Использованию идиоматического Python для реализации паттернов;
• Рефакторингу существующего кода с помощью паттернов.

"Mastering Python Design Patterns" научит вас применять принципы проектирования и паттерны для создания элегантных и эффективных Python-приложений.

Книга в формате pdf👇

#курсы_книги

@python_practics

n8n: установка, настройка и интеграция с Python, Node.JS и PHP

Подробный туториал по установке и настройки n8n. Примеры интеграции с Python, Node.JS и PHP и взаимодействия с LLM Mistral AI.

Подробнее👇

#статьи

@python_practics

Внимание! - Вопрос!

Что такое code cohesion & code coupling?

Связанность модулей (coupling), часто называемую зацеплением, характеризует степень независимости модулей. При проектировании систем необходимо стремиться, чтобы модули имели минимальную зависимость друг от друга, т.е. были минимально «сцеплены» между собой. Это требование вытекает из одного из основных принципов системного подхода, требующего минимизации информационных потоков между подсистемами.

Связность (cohesion) характеризует целостность, «плотность» модуля, т.е. насколько модуль является простым с точки зрения его использования. В идеале модуль должен выполнять одну единственную функцию и иметь минимальное число «ручек управления». Примером модуля имеющего максимальную связность является модуль проверки орфографии, вычисления заработной платы сотрудника, вычисления логарифма функции. Если связанность является характеристикой системы, то связность характеризует отдельно взятый модуль.

#вопросы_из_собеседований

@python_practics

Кредитный калькулятор на Python

Полный код можно посмотреть по ссылке👇

#sandbox

@python_practics

Задача:

Завершите решение так, чтобы оно разделило строку на пары из двух символов. Если строка содержит нечетное количество символов, то следует заменить пропущенный второй символ в последней паре символом подчеркивания ('_').

Пример:

'abc' =>  ['ab', 'c_']
'abcdef' => ['ab', 'cd', 'ef']

#задачник

@python_practics

Проверка, является ли строка числом

Использует обработку исключений для определения, можно ли строку преобразовать в число.

👍 - если было полезно

#полезные_сниппеты

@python_practics

Внимание! - Вопрос!

Что такое lru cache?

LRU (least recently used) — это алгоритм, при котором вытесняются значения, которые дольше всего не запрашивались. Соответственно, необходимо хранить время последнего запроса к значению. И как только число закэшированных значений превосходит N необходимо вытеснить из кеша значение, которое дольше всего не запрашивалось.

#вопросы_из_собеседований

@python_practics

Ramp

Ramp (Rapid Machine Learning Prototyping) — фреймворк для предсказательной аналитики, который можно с успехом использовать для быстрого прототипирования машинного обучения. Это унифицированная платформа на основе Pandas для работы с существующими библиотеками машинного обучения и статистики Python (scikit-learn, rpy2 и т. д.).

Особенности Ramp:

• Модульная и расширяемая библиотека позволяет сравнивать производительность различных моделей с различными наборами данных и задачами.
• Ramp поддерживает несколько форматов ввода данных, включая базы данных CSV, Excel и SQL, что упрощает работу с различными типами данных.
• Быстрое кэширование и сохранение всех промежуточных и конечных вычислений.
• Ramp учитывает текущий обучающий набор даже при использовании сложных обученных функций и смешанных прогнозов, а также отслеживает заданный подготовительный набор.
• Растущая библиотека преобразований признаков, метрик и оценок.
• Среда для совместной работы специалистов.

Подробнее👇

#фреймворки_библиотеки