Ищу Python разработчиков

JD

Моииим коооорешам из диджитал агентства в России нужно собрать бэкенд команду. Я сам работал в этой компанией несколько лет - опыт крайне позитивный.

Проект до конца этого года. Предпочтение кандидатам из России (требование не политическое - так просто проще платить).

Технологии и компетенции:

• Python 3.9/3.10
• Опыт работы с Django и FastApi
• Опыт работы с DRF
• Умение писать асинхронный код с использование Asyncio
• Опыт работы с технологиями Redis, Docker, k8n
• Опыт создания Web services и REST
• Git
• PostgreSQL
• Bash/Zsh/etc
• Понимание принципов микросервисной архитектуры
• Знание PEP8 и понимание для чего он нужен
• Понимание The Zen of Python
• Умение, и главное, желание создавать pythonic code
• Желание развиваться и создавать высоконагруженные сервисы

Если вы тот самый человек, или хотите кого-то порекомендовать - пишите мне в LinkedIn.

Data Analyst VS Data Scientist VS Data Engineer

Эти 3 роли во много пересекаются и не всегда очевидно как они связаны с Machine Learning и чем отличаются друг от друга?

Итак, модели для машинного обучения довольно сложно строить без базового понимания принципов обработки и сэмплинга сырых и/или больших наборов данных. Большинство отличий между ролями в том, какую часть работы они выполняют для получения конечного результата. Результатом может быть не один найденный ответ на какой-то бизнес вопрос, но и процесс непрерывано обрабатывающий данные.

Data Analyst - находит в данных новые ответы и смыслы, и доносит эти смыслы до бизнеса, визуализируя найденное (еще проще "делает правильные запросы к хранилищу данных" и "рисует графики").

Data Scientist - анализирует данные и моделирует системы использую статические методы и машинное обучение. Этот "парень" умеет в SQL, R, Python (еще проще "умеет machine learning").

Data Engineer - создает и поддерживает системы обработки данных больших и/или не структурированных данных. Это такой админ / devops, который умеет построить pipeline на правильных инструментах. Часто он делает возможной работу Data Analyst и Data Scientist, решая задачи по получению, обработке, очистке и нормализации, хранению данных, в виде пригодном для анализа.

Находки недели [9].

Python

1. Twelve malicious Python libraries found and removed from PyPI.
2. Generating custom photo-realistic faces using AI.
3. House hunting — the data scientist way.
4. Python Secrets Module to Generate secure random numbers for managing secrets.
5. Visualizing YouTube videos using Seaborn and WordCloud in Python.
6. Algojammer - An experimental code editor for writing algorithms.
7. From sensor to the Cloud in just 15 lines of Python.
8. Python, Boto3, and AWS S3: Demystified.
9. The Waiting Time Paradox, or, Why Is My Bus Always Late?
10. PyCon APAC 2018 - YouTube Playlist.
11. Pathlib: my new favorite module.

GCP

1. Go 1.11 is now available on App Engine.
2. Viewing Device Logs - Cloud IoT Core can optionally send device activity logs to Stackdriver Logging.

Other

1. Oculus Connect 5: Tech talks roundup.
2. Under the hood: Facebook Marketplace powered by artificial intelligence.

Находки недели [8].

Python

1. Getting Started With Testing in Python и Testing 101: Introduction to Testing - отличные буквари по тестирванию.
2. Hidden features of Python.
3. Gensim Tutorial – A Complete Beginners Guide.
4. Working with the Hadoop Distributed File System.
5. Python Secrets Module to Generate secure random numbers for managing secrets.
6. Python UUID Module to Generate Universally Unique Identifiers.
7. The Interesting Python Graphics Libraries for Python Programmers.

ML

1. Michelangelo PyML: Introducing Uber’s Platform for Rapid Python ML Model Development.
2. Object tracking with dlib.

GCP

1. The Google Cloud Developer Cheat Sheet.
2. Announcing Cloud Tasks, a task queue service for App Engine flex and second generation runtimes.
3. Data deletion on Google Cloud Platform.
4. Digging into Kubernetes 1.12.
5. Unlock insights with ease: Data Studio and Cloud Dataprep are now generally available.
6. Designing and implementing your disaster recovery plan using GCP.
7. Syncing millions of records a day to BigQuery: our experience moving from GAE to GKE.

Other

1. What’s it like to sell your start up to a tech giant?

DigitalOcean Managed Databases

DigitalOcean запускает Managed Databases. Пока только PostgreSQL, но позднее будет еще и MySQL. Решение называется DBaaS - DB as service по аналогии с PaaS.
Набор функций похож на GCP CloudSQL:

• кластеризация
• много баз внутри одного кластера
• дублирование кластера (для быстрой настройки стейджей, например)
• автоматизированная отказоустойчивость
• объелинение соединений в пул
• автоматизированные бэкапы
• one-click обновление до новой версии СУБД
• горизонтальное масштабирование для чтения
• легкое переключение и перенос между ДЦ
• шифрование на диске и при передаче по сети
• модный мониторинг

Предполагается, что DigitalOcean будет дешевле аналогов, но убедится в этом пока нельзя. По скриншоту также можно предположить, что для кластера можно будет выбирать мощность узлов (CPU, RAM, HDD, etc).

У DigitalOcean есть Cloud амбиции. Недавно был анонс запуска поддержки kubernetes, теперь вот DBaaS.

Находки недели [7].

Python

• Python Cheat Sheet for Beginners and Experts.
• Multi-process task queue using Redis Streams.
• Gensim Tutorial – A Complete Beginners Guide.
• The hacker's guide to uncertainty estimates.
• Clarifying PEP 518.
• Python Mock Cookbook.

Data Science & ML.

• Large Collection of Neural Nets, Numpy, Pandas, Matplotlib, Scikit and ML Cheat Sheets.
• Deep learning, hydroponics, and medical marijuana.
• Find where to park in real time using OpenCV and Tensorflow.
• Medical Imaging Analysis using PyTorch.
• Detecting the Language of a Person’s Name using a PyTorch RNN.

Docker

• Don’t Repeat Yourself with Anchors, Aliases and Extensions in Docker Compose Files.
• Avoid Running Out of Disk Space from Container Logs.

Находки недели [6].

Python

1. How to work out the missing dependencies for a Python package.
2. Timsort — the fastest sorting algorithm you’ve never heard of.
3. Pandas Crosstab Explained.
4. Introduction to Redis streams with Python.
5. How To Publish A Package On PyPI.
6. Asterisks in Python: what they are and how to use them.
7. Python Mock Cookbook.

GCP

1. Introduction to Cloud Asset Inventory - storage service that keeps a five week history of Google Cloud Platform (GCP) asset metadata. It allows you to export all asset metadata at a certain timestamp or timeframe.

Other

1. Unsupervised Object Matching for Relational Data.