Разработка на python – работа для фрилансеров в России

Создание кода. Разработка с нуля. Нужна автовыдача на сайт FunPay арендованых аккаунтов и управление через тг бота он уже готов, нужен только код чтобы бот при отплате аренды выдавал логин и пароль от аккаунта и через время на которое арендовал человек аккаунт менял пароль, пароль на смену пароля есть тоже. ну и чтобы бот определал что за игру арендовали и на сколько (все это в название написано).

Веб-разработка. Нужно сделать задание для сдачи долга. Нужно сделать задание для сдачи долга. Пожелания и особенности: Нужно сделать задание для сдачи долга.

Веб скрапинг. Разработка с нуля. Ищем специалиста по веб-скрапингу и автоматизации обработки данных (проектная работа) Мы ищем опытного разработчика на Python с навыками веб-скрапинга, который поможет автоматизировать сбор данных с конкретных сайтов и их вывод в Excel с использованием формул. Задача предполагает регулярное взаимодействие по запросу, поэтому нам нужен специалист для работы по проектам. Основные задачи проекта: Разработка парсера для автоматического сбора данных с указанных веб-страниц по запросу (название товара, цена, наличие). Обработка и структурирование полученных данных с использованием библиотек BeautifulSoup, Scrapy, Selenium и pandas. Создание таблиц Excel с использованием встроенных формул и настройка вычислений с помощью openpyxl или xlsxwriter. Настройка автоматического запуска парсера по запросу. Обход ограничений на сайтах (работа Требования к кандидату: Опыт работы с Python и библиотеками для веб-скрапинга (BeautifulSoup, Scrapy, Selenium). Навыки обработки и анализа данных с использованием pandas. Умение работать с файлами Excel: создание и редактирование таблиц, интеграция формул. Понимание принципов работы динамических веб-страниц и методов обхода ограничений (например, файлов cookie, JavaScript-контента). Будет преимуществом: Опыт работы с облачными решениями для выполнения задач (AWS Lambda, Google Cloud Functions). Навыки DevOps и опыт настройки автоматизированных процессов. Условия: Проектная работа с почасовой или фиксированной оплатой, которая обсуждается в зависимости от опыта и сложности задачи. Гибкий график и удаленная работа. Возможность долгосрочного сотрудничества при успешном выполнении проекта. Если вы обладаете необходимыми навыками и опытом, готовы к интересной проектной работе и выполнению задач по запросу, присылайте ваше резюме и примеры успешных проектов. Пожелания и особенности: Ищем специалиста по веб-скрапингу и автоматизации обработки данных (проектная работа) Мы ищем опытного разработчика на Python с навыками веб-скрапинга, который поможет автоматизировать сбор данных с конкретных сайтов и их вывод в Excel с использованием формул. Задача предполагает регулярное взаимодействие по запросу, поэтому нам нужен специалист для работы по проектам. Основные задачи проекта: Разработка парсера для автоматического сбора данных с указанных веб-страниц по запросу (название товара, цена, наличие). Обработка и структурирование полученных данных с использованием библиотек BeautifulSoup, Scrapy, Selenium и pandas. Создание таблиц Excel с использованием встроенных формул и настройка вычислений с помощью openpyxl или xlsxwriter. Настройка автоматического запуска парсера по запросу. Обход ограничений на сайтах (работа Требования к кандидату: Опыт работы с Python и библиотеками для веб-скрапинга (BeautifulSoup, Scrapy, Selenium). Навыки обработки и анализа данных с использованием pandas. Умение работать с файлами Excel: создание и редактирование таблиц, интеграция формул. Понимание принципов работы динамических веб-страниц и методов обхода ограничений (например, файлов cookie, JavaScript-контента). Будет преимуществом: Опыт работы с облачными решениями для выполнения задач (AWS Lambda, Google Cloud Functions). Навыки DevOps и опыт настройки автоматизированных процессов. Условия: Проектная работа с почасовой или фиксированной оплатой, которая обсуждается в зависимости от опыта и сложности задачи. Гибкий график и удаленная работа. Возможность долгосрочного сотрудничества при успешном выполнении проекта. Если вы обладаете необходимыми навыками и опытом, готовы к интересной проектной работе и выполнению задач по запросу, присылайте ваше резюме и примеры успешных проектов.

Разработка программного модуля. Доработка существующего продукта. У меня есть интерфейс в python сделанный через qt designer. Задача такова: есть второе окно, в котором нужно прописать кнопки и создать для них дополнительный интерфейс используя существующую базу данных по теме «продажа автомобилей». Пожелания и особенности: У меня есть интерфейс в python сделанный через qt designer. Задача такова: есть второе окно, в котором нужно прописать кнопки и создать для них дополнительный интерфейс используя существующую базу данных по теме «продажа автомобилей».

Веб-разработка. Настройка, доработка существующего продукта. Для игры в телеграмм доработать бэкэнд. Пожелания и особенности: Для игры в телеграмм доработать бэкэнд.

Разработка приложений для ПК. Разработка с нуля. 1. Необходимо из определены ячеек в эксель вставить в опредеоенные места по тесту ворд. ( в том числе таблицы) 2. Открывать ссылки из ячеек Эксель , делать скриншоты и вставлять в ворд. 3. Изображения из разных папок вставлять в таблицу ворд. 4. Данные из эксель перенести в форму на сайте. Пожелания и особенности: 1. Необходимо из определены ячеек в эксель вставить в опредеоенные места по тесту ворд. ( в том числе таблицы) 2. Открывать ссылки из ячеек Эксель , делать скриншоты и вставлять в ворд. 3. Изображения из разных папок вставлять в таблицу ворд. 4. Данные из эксель перенести в форму на сайте. macOS.

Разработка приложений для ПК. Доработка существующего продукта, разработка с нуля. Визуализация траектории.

Разработка приложений для ПК. Разработка с нуля. Необходимо решить 3 задачи по разработке в Python. Код будет проверен в антиплагиате, так что обязательно написание с нуля.

Веб-разработка. Разработка с нуля. Разработка чат-бота для сотрудников компании. Пожелания и особенности: Разработка чат-бота для сотрудников компании.

Парсинг. Разработка с нуля. Суть парсера проста, парсер заходит на все страницы сайта, находит номера телефонов, на которые пришли СМС за последние 2 часа, и считает эти номера активными. Потом парсер в многопоточном режиме собирает текст сообщений, данные об отправителе и время отправки. Далее происходит отправка данных обычными GET запросами на определенный адрес. Парсер обращается в API для того чтобы добавлять новые номера и новые смс. Сайт для парсинга quackr.io некоторые страницы закрыты под авторизацией ( доступ к тексту смс ) ТЗ / Подробности https://docs.google.com/document/d/1UUOEcSsQnUdxUvI9zsXNOPpqCCOKYCz-lbn2i3_atwc/edit?usp=sharing При соответствии результата и ТЗ, буду с вами постоянно работать по задачам поддержке и разработке новых парсеров.

Разработка приложений для ПК. Разработка с нуля. Нужно создать мп3 плеер в котором можно будет детализированно настраивать частоту вопроизведения файлов, бюджет до 25 000р.

Разработка приложений для ПК. Разработка с нуля. Требуется разработчик нейросети на Python с опцией работы на постоянной основе. Работа удалённо.

Автотестирование на Питоне. Тестирование. К существующему сайту написать несколько простых автотестов на Питоне.

интеграция todoist и whatsapp. Разработка с нуля. Необходимо разработать скрипт, который парсил бы групповые чаты в вотсапе и телеграмме и формировал бы из сообщений, отобраных по определенному алгоритму задачи в Todoist.

Разработка приложений для ПК. Настройка, Доделать начатое, разработка с нуля. Начали разрабатывать приложение, которое конвертирует файлы DVG в SVG и возвращает в веб интерфейс. Большая часть уже написана. Прошлый разработчик не может продолжить работу, нам необходимо завершить проект. Сервер на удаленном vds сервере ubuntu, все точки входа уже прописаны, осталась настройка отображения на фронте и доработка дополнительного функционала.

Разработка телеграмм бота с подключением нейросети. Разработка с нуля. Нужно разработать телеграмм бота и подключить к нему нейросеть. Пожелания и особенности: Нужно разработать телеграмм бота и подключить к нему нейросеть.

консультации. Доработка существующего продукта. Есть идея - нужна помощь в реализации (консультирование по необходимым инструментам).

Разработка приложений для ПК. Доработка существующего продукта. Необходимо поправить/доработать код github (для mac).

Веб-разработка. Разработка с нуля, доработка существующего продукта, настройка, тестирование. Необходимо вывести все категории из базы данных, возможно с использованием пользовательских тегов. Есть две модели данных одна из них содержит ForeignKey (один ко многим), это и есть категория.

Модель OCR. Разработка с нуля, доработка существующего продукта. Необходимо распознавать текст из пдф, сохранять в базе и передавать его по апи на сайт. Апи есть, база есть. Пожелания и особенности: Необходимо распознавать текст из пдф, сохранять в базе и передавать его по апи на сайт. Апи есть, база есть.

Разработка приложений для ПК. Разработка с нуля, настройка, тестирование, доработка существующего продукта. Есть питон скрипт (100 строк) - его изменять не надо. Он готовый. И к нему список зависимостей библиотек которые нужно установить. Создать проект pycharm виртуальное окружение питон и туда установить pip install -r. После чего собрать onefile pyinstaller. Это нужно сделать на виндовс (не виртуал). Пожелания и особенности: Есть питон скрипт (100 строк) - его изменять не надо. Он готовый. И к нему список зависимостей библиотек которые нужно установить. Создать проект pycharm виртуальное окружение питон и туда установить pip install -r. После чего собрать onefile pyinstaller. Это нужно сделать на виндовс (не виртуал).

Веб-разработка. Разработка с нуля. Разработка сайта на Python с нуля.

Веб-разработка. Разработка с нуля. Опишу при отклике.

решение задач. Разработка с нуля. 1. Загрузка данных Работаем с набором данных FashionMNIST. Это не совсем про тексты, но зато он численный и его можно вытянуть в вектор. Ниже предлагается реализовать собственный класс для считывания, обработки и упаковки данных. training_data = datasets.FashionMNIST( root="data", train=True, download=True ) test_data = datasets.FashionMNIST( root="data", train=False, download=True ) Воспользуемся функцией загрузки данных из репозитория наборов данных. def load_mnist(path, kind='train'): import os import gzip import numpy as np """Load MNIST data from `path`""" labels_path = os.path.join(path, '%s-labels-idx1-ubyte.gz' % kind) images_path = os.path.join(path, '%s-images-idx3-ubyte.gz' % kind) with gzip.open(labels_path, 'rb') as lbpath: labels = np.frombuffer(lbpath.read(), dtype=np.uint8, offset=8) with gzip.open(images_path, 'rb') as imgpath: images = np.frombuffer(imgpath.read(), dtype=np.uint8, offset=16).reshape(len(labels), 784) return images, labels Реализуем класс для FasionMnist. Элементами датасета должны являться пары '(np.array, int)', массив имеет размерность (28, 28), тип элемента np.float32. import os class FashionMnist(Dataset): def __init__(self, path, train=True, image_transform=None, label_transform=None): ### YOUR CODE HERE ### LOAD IMAGES AND LABELS WITH FUNCTION ... ### ALSO PROVIDE TRANSFORMS TO APPLY self.image_transform = self.label_transform = def __len__(self,): ### YOUR CODE # RETURN LENGTH OF DATASET def __getitem__(self, idx): ### YOUR CODE HERE ### APPLY TRANSFORMS AND RETURN ELEMENTS test_dataset = FashionMnist("data/FashionMNIST", train=False) train_dataset = FashionMnist("data/FashionMNIST") Визуализируйте случайные элементы набора данных. ### YOUR CODE HERE В конструктор Dataset можно передать объект torchvision.transforms, который позволяет преобразовать исходные данные. Преобразование torchvision.transforms.ToTensor позволяет преобразоать данные из типа PIL Image и numpy.float32 в тип torch.float32 Реализуйте собственную поддержку преобразований в FashionMnist. Проверьте, что приведение типов работает корректно. class ToTensor: """Convert ndarrays in sample to Tensors.""" def __call__(self, sample): ### YOUR CODE HERE # SHOULD BE CALLABLE ToTensor(x) transform = ToTensor() ### YOUR CODE HERE # init dataset with your transform and check datatype Элементы набора данных могут быть объединены в пакеты (batch) явно и неявно. Если данные могут быть сконкатенированы или объединены каким-нибудь тривиальным способом, то можно не передавать никаких дополнительных парамертов в torch.utils.data.Dataloader. test_dataloader = DataLoader(test_dataset, batch_size=15, num_workers=2, shuffle=True) batch = next(iter(test_dataloader)) print(f"The length of the batch is {len(batch)}") print(f"The shape of the batch[0] is {batch[0].shape}") Если наша структура данных не позволяет нам использовать объединение по умолчанию, то можно написать собственную функцию, которая будет пакетировать данные. Реализуйте функцию, преобразующую последовательность элементов массива в пакет (batch). ### YOUR CODE HERE ### WRITE A COLLATE FUNCTION and use it with dataloaders test_dataloader = ### YOUR CODE HERE train_dataloader = ### YOUR CODE HERE batch = next(iter(test_dataloader)) print(f"The length of the batch is {len(batch)}") print(f"The shape of the batch[0] is {batch[0].shape}") 2. Реализация модулей нейронной сети Сначала нужно реализовать прямой и обратный проход через слои. Наши слои будут соответствовать следующему интерфейсу (на примере "тождественного" слоя): Сначала, мы реализуем функцию и её градиент. class IdentityFunction(Function): """ We can implement our own custom autograd Functions by subclassing torch.autograd.Function and implementing the forward and backward passes which operate on Tensors. """@staticmethod def forward(ctx, input): """ In the forward pass we receive a Tensor containing the input and return a Tensor containing the output. ctx is a context object that can be used to stash information for backward computation. You can cache arbitrary objects for use in the backward pass using the ctx.save_for_backward method. """ return input @staticmethod def backward(ctx, grad_output): """ In the backward pass we receive a Tensor containing the gradient of the loss with respect to the output, and we need to compute the gradient of the loss with respect to the input. """ return grad_output Разработанную функцию обернем классом IdentityLayer, все слои в PyTorch должны быть наследниками базового класса nn.Module() class IdentityLayer(nn.Module): def __init__(self): # An identity layer does nothing super().__init__() self.identity = IdentityFunction.apply def forward(self, inp): # An identity layer just returns whatever it gets as input. return self.identity(inp) 2.1 Функция активации ReLU Для начала реализуем функцию активации, слой нелинейности ReLU(x) = max(x, 0). Параметров у слоя нет. Метод forward должен вернуть результат поэлементного применения ReLU к входному массиву, метод backward - градиент функции потерь по входу слоя. В нуле будем считать производную равной 0. При обратном проходе могут понадобиться величины, посчитанные во время прямого прохода, поэтому их стоит сохранить в ctx. class ReLUFunction(Function): @staticmethod def forward(ctx, input): ### YOUR CODE HERE ### CALCULATE RELU FUNCTION WITH TORCH AND SAVE SOMETHING FOR BACKWARD VIA CTX @staticmethod def backward(ctx, grad_output): ### YOUR CODE HERE ### GET SOMETHING FROM FORWARD AND CALCULATE GRADIENT # CHECK LECTIONS OR GOOGLE out = ... return grad_output * out class ReLU(nn.Module): def __init__(self): super().__init__() self.relu = ReLUFunction.apply def forward(self, input): return self.relu(input) Проверяем градиент, испльзуя функцию gradcheck. torch.manual_seed(0) x = torch.rand((7,15), requires_grad = True, dtype=torch.double) relu = ReLU() assert gradcheck(relu, x) torch_relu = torch.relu our_relu = ReLU() assert torch.norm(torch_relu(x.float()) - our_relu(x)) < 1e-5 2.2 Линейный слой (linear, fully-connected) Далее реализуем полносвязный слой без нелинейности. Два набора параметра: матрица весов (weights) и вектор смещения (bias). class LinearFunction(Function): @staticmethod def forward(ctx, inp, weight, bias): ### YOUR CODE HERE ### CALCULATE OUTPUT ### AND SAVE SOMETHING FOR BACKWARD return output @staticmethod def backward(ctx, grad_output): # GET SOMETHING FROM BACKWARD # CHECK HOW BACKWARD PERFORMED grad_bias = grad_output.sum(0) grad_weight = grad_output.T @ inp grad_input = grad_output @ weight return grad_input, grad_weight, grad_bias class Linear(nn.Module): def __init__(self, input_units, output_units): super().__init__() ### YOUR CODE HERE ### initialize weights and bias with small random numbers or xavier ### do not forget to make them torch.nn.Parameter self.linear = LinearFunction.apply def forward(self,inp): return self.linear(inp, self.weight, self.bias) Проверка градиента, а также сравнение с работой нашего модуля с имплементированным в PyTorch. Проверка градиента: torch.manual_seed(0) x = torch.rand((6,12), requires_grad = True, dtype=torch.double) linear = Linear(12, 14) assert gradcheck(linear, x) Сравнение с PyTorch. output_units = 32 input_units = 15 x = torch.rand((16,15), requires_grad = True, dtype=torch.double) weight = torch.rand(size=(output_units, input_units), dtype=torch.double) bias = torch.rand(size=(output_units,), dtype=torch.double) torch_linear = torch.nn.Linear(input_units, output_units, dtype=torch.double) our_linear = Linear(input_units, output_units) state_dict = OrderedDict([("weight", weight), ("bias", bias)]) torch_linear.load_state_dict(state_dict) our_linear.load_state_dict(state_dict) torch_forward = torch_linear.forward(x) our_forward = our_linear(x) assert torch.allclose(torch_forward, our_forward) 3. Сборка и обучение нейронной сети Реализуйте произвольную нейросеть, состоящую из ваших блоков. Она должна состоять из нескольких полносвязанных слоев. class Network(nn.Module): def __init__(self, input_size=28*28, hidden_layers_size=32, num_layers=5, num_classes=10): super().__init__() ### YOUR CODE HERE ### STACK LAYERS WITH DEFINED PARAMETERS ### USE nn.Dropout, your linear, your relu and whatever you like ### LAST LAYER SHOULD BE nn.LogSoftmax def forward(self, inp): ### YOUR CODE HERE ### APPLY YOUR NET TO THE INPUT Написать цикл обучения. class EmptyContext: def __enter__(self): pass def __exit__(self, *args): pass # accuract metric for our classififcation def accuracy(model_labels, labels): return torch.mean((model_labels == labels).float()) def perform_epoch(model, loader, criterion, optimizer=None, device=None): is_train = optimizer is not None ### YOUR CODE HERE ### MOVE MODEL TO DEVICE ### CHANGE MODEL TO TRAIN OR EVAL MODE ### SET LOGGING VALUES ### ITERATE OVER DATALOADER ### MOVE BATCH AND LABELS TO DEVICE ### GET MODEL OUTPUT ### GET MODEL PREDICTIONS (from the probabilites) ### CALCULATE LOSS ### BACKWARD IF TRAIN ### STEP WITH OPTIMIZER (DONT FORGET TO ZERO GRAD) ### UPDATE LOGGING VALUES WITH LOSS AND ACCURACY ### RETURN LOGGED VALUES Теперь обучим нашу нейронную сеть. # INIT YOUR MODEL # CRITERION # AND OPTIMIZER # Add device # SET NUMBER OF EPOCHS # ITERATE OVER NUMBERS OF EPOCH # TRAIN AND VALIDATE # LOG METRICS FOR TRAIN AND VAL LIKE BELOW. (YOU MAY USE YOUR OWN WAY) print(f"Epoch - {epoch} : loss {loss}, accuracy {acc}") Дальше: Проведите эксперименты с числом слоев. Постройте графики зависимости качества модели на тренировочной и тестовой выборках от числа слоев. Для получения статистически значимых результатов повторите эксперименты несколько раз. Сделайте выводы.

Веб-разработка. Разработка с нуля. Для работы в разных проектов, для вселение существующей команды. Нерегулярная занятость - backend для приложений - чат-боты - подключение сервисов - разворачивание нейронок и обеспечение доступа для приложений. Пожелания и особенности: Для работы в разных проектов, для вселение существующей команды. Нерегулярная занятость - backend для приложений - чат-боты - подключение сервисов - разворачивание нейронок и обеспечение доступа для приложений Требования — Знание FastAPI — Знание реализации микросервисов — Знание JWT авторизаций — Знание RESTful — Знание SQLAlchemy — Знание Redis — Будет плюсом: Celery.