NumPy, SciPy, and Pandas: Correlation With Python
https://realpython.com/numpy-scipy-pandas-correlation-python/

Короче, сделал столетний блокбастер цветным
https://habr.com/ru/post/481710/?utm_campaign=481710&utm_source=habrahabr&utm_medium=rss

Раскраска фильмов до этого года стоила сотни тысяч долларов, требовала участия массы специалистов и занимала много времени. Теперь всё изменилось. Развитие проекта Deoldify дошло до такого состояния, что результаты его работы можно комфортно смотреть, расслабив фейспалм. Из текста вы узнаете подробности успешного эксперимента по оцветнению фильма без денежных затрат, завершенного за несколько недель силами одного человека.

Podcast.__init__: Python's Built In IDE Isn't Just Sitting IDLE
https://www.pythonpodcast.com/idle-python-ide/

Audio

checkov - вычисляем уязвимости настроек при сборке приложения
http://github.com/bridgecrewio/checkov

Юнит-тесты на Python: Быстрый старт
https://habr.com/ru/post/481806/?utm_campaign=481806&utm_source=habrahabr&utm_medium=rss

Юнит-тестирование кода является неотъемлемой частью жизненного цикла разработки программного обеспечения. Юнит-тесты также формируют основу для проведения регрессионного тестирования, то есть они гарантируют, что система будет вести себя согласно сценарию, когда добавятся новые функциональные возможности или изменятся существующие.


В этой статье я продемонстрирую основную идею юнит-тестирования на одном классе. На практике вам придется писать множество тестовых случаев, добавлять их в тестовый набор и запускать все вместе. Управление тест-кейсами мы рассмотрим в следующей статье.

Обзор Keras для TensorFlow
https://habr.com/ru/post/482126/?utm_campaign=482126&utm_source=habrahabr&utm_medium=rss

Перевод обзорного руководства с сайта Tensorflow.org. Это руководство даст вам основы для начала работы с Keras. Чтение займет 10 минут.

PyPy 7.3.0 released
http://feedproxy.google.com/~r/PyPyStatusBlog/~3/tdL7BRc_Y08/pypy-730-released.html

[Видео] Django under microscope / Артем Малышев (Self Employed)
https://www.youtube.com/watch?v=fxs5dFB3xD4

[Видео] Интерактивный и холиварный доклад про линтеры / Никита Соболев (wemake.services)
https://www.youtube.com/watch?v=6vrJGOI-8S4

[Видео] Как обновить Python 2.7 до Python 3.6 и не умереть / Александр Полищук (Код Безопасности)
https://www.youtube.com/watch?v=5U5kqrxW2ic

[Видео] Beyond jupyter / Андрей Попов (Positive Technologies)
https://www.youtube.com/watch?v=uxpeU6Ya-MU

[Видео] Wagtail: когда хочется чего-то приятнее, чем просто Django / Игорь Мосягин (Lamoda)
https://www.youtube.com/watch?v=g6Fwef4KwwQ

[Видео] Pylint изнутри. Как он это делает / Максим Мазаев (ЦИАН)
https://www.youtube.com/watch?v=PuY6HTMAbVg

[Видео] Python Virtual Assistant, или Как собрать бота с AI на простом стеке / Олег Пличко
https://www.youtube.com/watch?v=0xFGuadp1qM

[Видео] Как выкинуть из проекта C++ код, чтобы за это ничего не было / Александр Боргардт
https://www.youtube.com/watch?v=eaSYG8uAy34

[Видео] Theory of Neural Networks / Beau Carnes (freeCodeCamp.org)
https://www.youtube.com/watch?v=kHZ81aKpKFQ

[Видео] Создание DSL-компиляторов на Python / Пётр Советов (МИРЭА)
https://www.youtube.com/watch?v=QCcbo4cRL8A

Джедайская техника уменьшения сверточных сетей — pruning
https://habr.com/ru/post/482050/?utm_campaign=482050&utm_source=habrahabr&utm_medium=rss

Перед тобой снова задача детектирования объектов. Приоритет — скорость работы при приемлемой точности. Берешь архитектуру YOLOv3 и дообучаешь. Точность(mAp75) больше 0.95. Но скорость прогона всё еще низкая. Черт.
 
Сегодня обойдём стороной квантизацию. А под катом рассмотрим Model Pruning — обрезание избыточных частей сети для ускорения Inference без потери точности. Наглядно — откуда, сколько и как можно вырезать. Разберем, как сделать это вручную и где можно автоматизировать. В конце — репозиторий на keras.

Отправляем письма с помощью asyncio и aiohttp из Django приложения
https://habr.com/ru/post/482114/?utm_campaign=482114&utm_source=habrahabr&utm_medium=rss

Я занимаюсь разработкой и поддержкой сервиса уведомлений. Сервис написан на Python3 и Django. Помимо транзакционных писем, пушей и сообщений, сервис также берёт на себя задачи по массовым рассылкам коммерческих предложений (не спам! trust me, отписки у нас работают лучше подписок) пользователям, давшим на это согласие. Со временем база активных получателей разрослась до более миллиона адресов, к чему почтовый сервис не был готов. Я хочу рассказать о том, как новые возможности Python позволили ускорить массовые рассылки и сэкономить ресурсы и с какими проблемами нам пришлось столкнуться при работе с ними.

PrettyErrors - Prettify exception
http://github.com/onelivesleft/PrettyErrors

typer - добавляем валидацию типов в CLI
http://github.com/tiangolo/typer