В иконках сайта обновление!
Теперь можно генерировать изображения иконок для сайта самостоятельно (все-таки он теперь генератор).
Работает на GigaChat API - генерирует так себе, так что это скорее для галочки.
Но если будет пользоваться популярностью может куплю токенов по-лучше
Проект ruMorpheme — позволяет обучить модель для морфемного анализа русского языка. При желании код можно адаптировать и для других языков, но основное внимание уделено русскому.
ruMorpheme вдохновлён и является портом с TensorFlow (0.12) на PyTorch (2.4) проекта NeuralMorphemeSegmentation, реализованного в рамках публикации "Deep Convolutional Networks for Supervised Morpheme Segmentation of Russian Language" авторства Алексея Сорокина и Анастасии Кравцовой.
Обученная модель способна сегментировать слова, выделяя в них следующие морфемы:
Приставки (PREF)
Корни (ROOT)
Соединительные гласные (LINK)
Дефисы (HYPH)
Суффиксы (SUFF)
Постфиксы (POSTFIX)
Окончания (END)
Попробовать модель можно через Telegram-бот: @ruMorphemeBot, его можно добавить в группу и отправлять текст через упоминание @ruMorphemeBot.
Ссылки:
Исходный код на GitHub
Веса модели на HuggingFace
Исходники бота на GitHub
Как пользоваться:
git clone https://github.com/EvilFreelancer/ruMorpheme.git
cd ruMorpheme
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txtДля выполнения инференса:
python predict.py input_text.txt --model-path=evilfreelancer/ruMorpheme-v0.1Скрипт автоматически скачает веса модели и выполнит анализ.
Пример вывода:
{"word": "родословие", "morphemes": [{"text": "род", "type": "ROOT"}, {"text": "о", "type": "LINK"}, {"text": "слов", "type": "ROOT"}, {"text": "и", "type": "SUFF"}, {"text": "е", "type": "END"}]}Спасибо за внимание!
Вот почему так?
Мы с приятелем хотим спросить мнение у сообщества неравнодушных коллег по нашему тестовому боту. И не знаем, как это сделать, чтобы не получить пожизненный эцих с гвоздями на Хабре.
Но попробуем.
Мы с коллегой написали тестовый бот в телеге (на Python, бесплатный и без рекламы).
Это новостной бот (тех новости) с возможностью персонализированной настройки по темам. Новости берутся на английском и пересказываются на русский, дается ссылка на первоисточник, ставятся теги, новости классифицируются: https://t.me/summix_test1_bot
Просьба.
Если у вас есть время и желание, будем очень признательны за ваш отзыв по боту здесь или в нашем чате разработчиков: https://t.me/techmixdev
Как мы пришли к идеи бота?
Сначала сделали канал https://t.me/techmixru и даже написали об этом статью на Хабре. Но на канале слишком много новостей, там нет тегов. Хотя есть один плюс - все новости имеют еще аудио трансляцию. Удобно для машины.
Но мы поняли, "большая несортированная свалка" не нужна. И сделали тестовый канал с сортированной/тегированной "свалкой". Канал пока закрытый, но если кому-то интересно, то вот ссылка приглашение: https://t.me/+r4RQ7mDo7PtkZDZi
Для тестирования применения бота я использую некоторые новости от него в своем блоге: https://t.me/lanchev_pro_ai
Это все хорошо. Но очень хочется откликов коллег с конструктивной критикой и предложениями по нашему тестовому техно новостному боту с персонализацией.
Заранее большое спасибо!
Последний день регистрации на хакатон по интерфейсам «мозг-компьютер»
Хотите круто воплотить технологии будущего в реальность? Научить компьютер взаимодействовать с мозгом напрямую? Зажигать силой мысли лампочки и управлять компьютерными играми? Регистрируйтесь на BCI Hack Moscow.
Мы — компания Neiry. Наше BCI-устройство Headband Pro и ПО Capsule считывают и записывают мозговую активность, и другие физиологические сигналы пользователя. А Capsule API позволяет использовать эти данные в других приложениях. На Хабре мы уже рассказывали про крутые кейсы, в которых задействованы наши разработки, про особенности Capsule и API.
На хакатоне мы дадим участникам возможность создать прототипы продуктов на базе нейроинтерфейсов для Neiry Headband Pro и открытого API Neiry. Приглашаем разработчиков всех грейдов, студентов, нейроэнтузиастов. Язык нашего API — С, пригодятся знания в Python, SQL, аналитические навыки, опыт обращения с BCI. Если вам интересно поработать с нейроинтерфейсом, присоединяйтесь — оборудование выдадим бесплатно! Участвуйте самостоятельно или командой до 4 человек.
Регистрируйтесь сегодня: опишите в заявке свою крутую идею для нейроинтерфейсов. 20 сентября бесплатно выдадим участникам Neiry Headband Pro, для этого кто-то из команды должен быть в Москве. И всё, больше никаких блоков. Регистрируйтесь на BCI Hack Moscow и помогите сделать будущее — настоящим.
Всем привет!
У нас есть два стула…Python и Go. Хоть немного зная один из этих языков, девопс может делать в Kubernetes разную магию.
Завтра встретимся с Виталием Лихачевым, SRE в Bооking.сom,ex-Avito Senior Software Engineer, на вебинаре, чтобы разобрать:
• Как использовать k8s как API, даже не зная его устройства?
• Как создать при этом симбиоз между кодом и целым кластером?
• Как в k8s объединять бизнес-логику и инфраструктуру с помощью миллионов строк кода?
Всё это — на примерах Python и Go.
А ещё можно:
• Контролировать соответствие манифестов архитектуры стандартам — и при этом не ходить по репозиториям и не править манифесты руками
• Подключать различные sidecar контейнеры для сбора логов и метрик — и не мешать этим разработчикам
• Делать это всё на лету.
И мы постараемся показать, как. А уж на какой из стульев садиться — выбор за вами)
Дата и время — 21 августа, 19:00 мск
Занять место на вебинаре — по ссылке.
Как применять бинарный поиск для решения задач с LeetCode
Привет, давно не виделись! Мы не просто так отсутствовали какое-то время с «Алгоритмической качалкой», а все пытались записать ролик, на который договорились с аудиторией. То Казань превращались в Венецию, то больное горло давало о себе знать.
Но наконец-то мы справились и смогли записаться в парке Черное озеро с мороженым на перевес.
В сети вышло видео FastHTML за 100 секунд.
FastHTML — это новый веб-фреймворк Python, который позволяет легко создавать интерактивные веб-приложения без необходимости изучать фреймворк JavaScript, такой как React или Angular. Проект использует HTMX под капотом для включения динамических обновлений контента без полной перезагрузки страницы.
Простой способ конвертации файлов JSON в CSV через Python
Для конвертации файлов JSON в CSV через Python существует удобный способ с использованием библиотеки pandas.
Если у вас еще не установлена библиотека pandas, установите ее с помощью pip:
pip install pandasДалее напишем функцию, которая будет принимать на вход путь к JSON файлу и имя выходного CSV файла. Эта функция выполнит преобразование с помощью pandas.
import pandas as pd
def json_to_csv(input_file, output_file):
try:
# Прочитайте JSON файл в DataFrame
df = pd.read_json(input_file)
# Сохраните DataFrame в CSV файл с кодировкой UTF-8
df.to_csv(output_file, index=False, encoding='utf-8')
print(f"JSON файл успешно преобразован в CSV и сохранен как {output_file}")
except Exception as e:
print(f"Произошла ошибка при преобразовании: {e}")
# Пример использования функции
json_to_csv('input.json', 'output.csv')
Теперь, вызвав функцию json_to_csv с нужными параметрами, вы сможете легко преобразовать JSON файл в CSV файл.
Если вам была полезна эта информация, подписывайтесь, ставьте лайки и оставляйте комментарии!
Представлен открытый проект Hyperscript. Это гибкий скрипт для обработки сложных конфигураций и запросов. Проект поддерживает различные методы HTTP, включая GET, POST, PUT и DELETE, и предоставляет обширные возможности для проверки ответов на соответствие указанным условиям.
Hyperscript поддерживает нескольких методов HTTP, включая опции простой настройки и тестирование запросов GET, POST, PUT и DELETE.
В Hyperscript есть редим гибкой проверки и проверки ответов на основе кодов состояния, типов содержимого и определённого содержимого.
Проект поддерживает настраиваемые условия, включая проверку наличия определённых значений в теле ответа или нахождения числовых полей в указанных диапазонах. Также в Hyperscript есть подробная отчётность и получение подробных сообщений об успешном и неудачном выполнении с дополнительным подробным выводом.
Проект написан на языке Python и опубликован под лицензией MIT.
Готов пример приложения для https://pypi.org/project/targeting-platform/ (библиотека с общим интерфейсом к разным DSP (те которые "A demand-side platform")).
Это в продолжение https://habr.com/ru/posts/829114/
Пример тут: https://gitlab.com/dsp6802915/targeting_platform_example_simple - в реадми описано все что есть сказать - не буду здесь повторяться.
🤖 The future of CAD (BIM) data processing in Construction is already here!
Instead of working with complex closed or parametric data (the quality of which we have to check in special BIM tools), in the future we work with open structured data, which is an ideal source for RAG, LLM, ChatGPT. To work with LLM models and ChatGPT you need properly prepared data.
Dataframe data obtained from various CAD (BIM) formats is the ideal fuel for modern tools. Pandas is ideal for LLMs due to its robust data processing, efficient indexing, and flexible formatting. It cleans, tokenizes, and normalizes data, supports advanced data retrieval, and structures data in LLM-compatible formats.
Examples of requests for using structured CAD (BIM) data in ChatGPT:
🤖Group the data in Dataframe by "Type Name" while summarizing
the "Volume" parameter - you can show the result in any kind of graphs and documents🤖 “Check the values in the volume parameter for all items in "Category"
- "OST_Walls" and output the list of IDs with null values” - native IDs
can be displayed later in Revit🤖 “Check if "Category" "OST_Doors" has parameters that are responsible
for width and length and output element types that do not have such parameters”⚡️ Instead of using a whole zoo of BIM tools, we now validate and process data directly in ChatGPT.
After getting the results in ChatGPT, we copy the resulting Python code into Pipeline in any Python IDE
Готова реализация для The Trade Desk (TDD) — как и обещал. Актуальная версия.
Пока это «классическая» реализация (с новым подходом что‑то у TTD не задалось). Когда и если они сделают рабочим новый подход (задание локации и времени в парах через BidLists) я обновлю код.
Теперь библиотека умеет вычитывать, устанавливать, очищать и валидировать таргетинг для трех платформ (DV360, Meta, TTD) с единым интерфейсом. При установке опций будут создаваться дубликаты в системах DV360 и Meta — это необходимо когда вы задаете много географических точек (лимиты платформ на объем информации). Внутри методов реализовано кэширование для операций чтения (get_...) и установка блокировок для операций изменения (set_..., clear_... и т. д.). Кэширование актуально для Meta — чтобы не словить Rate Limit на частых операциях получение информации. Блокировки более актуальны для DV360 и TTD — там операции по созданию дубликатов и установке таргетинг опций относительно длительные (но блокировка только внутри библиотеки работает — внешние системы все еще могут изменить тот же элемент системы — для этого у вас есть интерфейс валидации, который поможет проверить что в системе сохранено то, что вы хотели установить).
Базовый набор операций — как вызывать и что возвращает можно посмотреть в интегрейшен тестах — ссылка.
Пользуйтесь, задавайте вопросы.
Добавлена полная реализация для Google DV360 и Meta Marketing API - https://pypi.org/project/targeting-platform/. Теперь вы можете вычитывать targeting (geospatial part), управлять статусами плейсментов и устанавливать targeting options.
Это развитие https://habr.com/ru/posts/824528/ - следующий на добавление The Trade Desk (там есть задержка - пока они переходят на другую реализацию и в проекте мы пока ее тестируем).
Пока библиотека полностью синхронная (будет изменено в будущем) и без оптимизации трансформаций данных - это если кто напишет комментарий с замечанием/пожелание. Работа с самими DSP максимально оптимально делается (по рекомендациям самих платформ).
Продолжение - https://habr.com/ru/posts/829114/
Периодически даю подобные задачки на интервью для джунов, и, к сожалению, далеко не все дают правильный ответ. А вы сможете?
Начинающий Python-разработчик выполнил свою первую самостоятельную задачу: написал программу для удаления всех чисел меньше пяти из списка. Однако результат работы его программы не соответствует ожиданиям.
Исходный список:
numbers = [1, 2, 5, 11, 3, 111, 7, 27]Результат работы кода:
[2, 5, 11, 111, 7, 27]Ожидаемый результат:
[5, 11, 111, 7, 27]Ваша задача — найти ошибку и предложить собственный вариант решения, а также подробно объяснить что не так с исходным кодом.
Исходный код программы:
numbers = [1, 2, 5, 11, 3, 111, 7, 27]
for i in numbers:
if i < 5:
numbers.remove(i)
print(numbers)Ну и на всякий случай: у кандидатов на собеседовании нет доступа к GPT-чатам и поисковикам, решите без подсказок?
Хвостатое недоразумение покоряет GitHub!
Большинство голосов оказалось за, а поэтому, спешу сообщить о выпуске полной некастрированной репы хвостатой на GitHub!
Для тех, кто в танке, ну или под наркозом, ну или просто пофек: речь идёт о стример-тян из этой статьи
P. S.
Код всё ещё никак не правил, это по-прежнему лютая свалка функций и принтов для отладки, но уж явно в более удобном виде, чем в статье :)
Позже доработаю инструкцию по запуску, чтобы каждый мог сделать свою нейро-тян
(устроим армию нейро-стримерш/ов, чтобы они наводнили ютуб и отправили обычных стримеров на завод😈 шутка, на деле просто выпускаю репу, чтобы таким же гикам, как я, было проще повторить этот опыт; ну и посмотреть на ваши эксперименты)
Автоматическая игра в BLUM
Если у вас, как и у меня, накопилось много билетов для мини игры в приложении BLUM, но нет времени, чтобы их потратить, попробуйте воспользоваться моим небольшим проектом: репозиторий BLUM_autoclaimer.
Он эмулирует действия клиента на уровне запросов к закрытому API и тратит все билеты, зарабатывая за каждую игру случайное количество очков, но в районе возможного максимума. Каждая игра длится полминуты. Программа завершает работу после того, как все билеты будут использованы.
Для работы программы потребуется токен авторизации.
Пулл реквесты приветствуются. Интересные обсуждения автоматизации подобных проектов в телеграм-канале.
Разработчики сообщества Fedora вынесли на обсуждение вопрос по поводу удаления Python 2.7 из 41 версии дистрибутива проекта. Фактически из коробки в Fedora 41+ не будет Python 2, кроме PyPy.
Это предложение будет реализовано только в том случае, если оно будет одобрено руководящим комитетом по разработке Fedora.
Пакет Python 2.7 с интерпретатором Python версии 2.7 оставался в дистрибутиве Fedora после окончания выпуска исходной версии (01.01.2020) только для того, чтобы пользователи Fedora могли протестировать своё программное обеспечение на основе версии Python, поставляемой в RHEL 7, CentOS 7 и RHEL 8 и для поддержки остальных пакетов, которые не удалось портировать.
Проект Fedora 41 выйдет в октябре 2024 года, почти через 5 лет после окончания выпуска Python 2.
23 апреля 2024 года разработчики проекта Fedora выпустили стабильную сборку проекта Fedora Linux 40. Релиз Fedora Linux 39 состоялся 7 ноября 2023 года, спустя 20 лет и 1 день после запуска проекта по выпуску популярного дистрибутива Linux.
Как решить задачу 3Sum на Python: видеоинструкция для начинающих
Давно мы не публиковали «Алгоритмическую качалку» на Хабре — исправляемся. В новом ролике главная по прокачке алгоритмических мышц Альбина показывает, как решить задачу Three Sum на языке Python.
Будем рады вашим решениям в комментариях, а также лайкам и комментариям на YouTube.