Разработка на python – работа для фрилансеров в Москве

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.

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

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.

Разработка приложений для ПК. Доработка существующего продукта. Есть потребность в доработке существующего скрипта. Суть задачи: Есть пользовательская директория для FTP /home/1cftp/ftp В ней две папки 1c-input (сюда кладут файлы) и 1c-output (отсюда забирают). Пользователи кладут файл, который уже существующий питонячий скрипт обрабатывает и кладёт во вторую папку. А обработанный скриптом заберут пользователи из второй папки. Надо сделать так, чтобы пользователь не переживал по статусе задачи. Т.к. там могут быть в обработке достаточно большие файлы. Забирать надо в порядке создания, т.е. FIFO. Обработанные файлы из первой папки удалять после обработки. Из второй папки те, что лежат дольше недели. Скрипт будет запускаться по расписанию в кроне. Пожелания и особенности: Есть потребность в доработке существующего скрипта. Суть задачи: Есть пользовательская директория для FTP /home/1cftp/ftp В ней две папки 1c-input (сюда кладут файлы) и 1c-output (отсюда забирают). Пользователи кладут файл, который уже существующий питонячий скрипт обрабатывает и кладёт во вторую папку. А обработанный скриптом заберут пользователи из второй папки. Надо сделать так, чтобы пользователь не переживал по статусе задачи. Т.к. там могут быть в обработке достаточно большие файлы. Забирать надо в порядке создания, т.е. FIFO. Обработанные файлы из первой папки удалять после обработки. Из второй папки те, что лежат дольше недели. Скрипт будет запускаться по расписанию в кроне.

Разработка приложений для ПК. Разработка с нуля. Нужна простая программа, которая мониторит подключения к локальному wifi роутеру и записывает mac-адреса устройств, время и продолжительность сессии. Программа для windows, отчет в виде эксель таблицы.

Экзамен в университете. Подготовка к экзамену. Подготовится в экзамену по Computer Science. Пожелания и особенности: Подготовится в экзамену по Computer Science.

Переписать Бэкенд. Доработка существующего продукта. Ищу разработчика на Django или на Node/Nest чтобы переписать бек. Что нужно? Интеграция с существующим API. Оптимизация и рефакторинг текущего кода. Требования: Опыт 3+ лет. Умение писать чистый и поддерживаемый код (классы). Какй опыт по созданию инет магазов и опыт в общем? Какой стек. вот тз по дизайну бек сделать, дизайн в процесе но часть есть в фигме https://docs.google.com/document/d/1KYJc7BCmD7B6CdT72z8U3QNx_qB1aiATiQtoK-ILphI/edit?tab=t.0.

Разработка приложений для ПК. Разработка с нуля. Создать плагин для DLE, функционал которого будет доступен в админпанели, и будет выполнять следующие задачи: 1. Форма с возможностью выбора группы файлов изображений, для загрузки на сайт, с созданием для каждого изображения отдельного поста. 2. Название постов оставлять пустым (по возможности, если DLE пропустит) 3. Новые посты отправлять на модерации. Вывод списка добавленных URL постов.

Веб-разработка. Разработка с нуля. Надо сделать очень маленькое приложение, используя максимально простой код.

Пройти 5 тестов по 10 вопросов. Пройти тесты. Пройти 5 тестов по 10 вопросы сегодня до 20.00.

Веб-разработка. Разработка с нуля. Требуется помощь с курсовой работой. Соответственно нужен не полноценный сайт, а только мини версия. К сайту нужно будет подключить БД. Требования довольно гибкие. Основная часть кода должна быть на python. Также потребуется подробное объяснение работы кода. Пожелания и особенности: Требуется помощь с курсовой работой. Соответственно нужен не полноценный сайт, а только мини версия. К сайту нужно будет подключить БД. Требования довольно гибкие. Основная часть кода должна быть на python. Также потребуется подробное объяснение работы кода.

Веб-разработка. Разработка с нуля. Требуется специалист для настройки платёжной системы в коде на Python. Задача: - Необходимо создать вебхук (ссылку), на который будет приходить ответ от платёжной системы после успешной оплаты пользователем. - Ответ должен содержать информацию о статусе операции (успешный платёж, номер заказа и т.д.). - Нужно интегрировать эту функциональность в существующий код. Пожелания и особенности: Требуется специалист для настройки платёжной системы в коде на Python. Задача: - Необходимо создать вебхук (ссылку), на который будет приходить ответ от платёжной системы после успешной оплаты пользователем. - Ответ должен содержать информацию о статусе операции (успешный платёж, номер заказа и т.д.). - Нужно интегрировать эту функциональность в существующий код.

Разработка Core ML модели. Разработка с нуля. Мне нужно обучить Core ML модель которая будет распознавать на руках ногти чтоб я мог раскрасить их . Пожелания и особенности: Мне нужно обучить Core ML модель которая будет распознавать на руках ногти чтоб я мог раскрасить их .

Вакансия Т-банк. Разработка с нуля. Станьте частью команды Т-Банка. Приглашаем Python-разработчиков 💥Мы предлагаем ✔Работу в офисе или удаленно — по договоренности ✔Платформу обучения и развития «Апгрейд». Курсы, тренинги, вебинары и базы знаний. Поддержку менторов и наставников, помощь в поиске точек роста и карьерном развитии ✔Достойную зарплату — обсудим ее на собеседовании 💥Обязанности ✔Писать код и проводить код-ревью ✔Писать тесты на свой код ✔Разрабатывать сервисы и другие программные компоненты ✔Проектировать компоненты проекта.

Сделать так что бы код работал ). Доработка существующего продукта. Нужно что бы код заработал , не могу разораться с изображениями , не хочет воспринимать jpg файл.

Нужен ментор. Учусь в Яндексе на разработчика( мидл)( продвинутый). Рбоа с джанго, постгресс, контейнеризация. Необходима помощь при вознкновениитрудностей. Нужен опытный специалис- питонст. Помощь в освоениипрограммированияна питоне. Уровень продвинутый. Нужно разобраться pytest. Почему то модуль тестирования не видит импорт других модулей. Вероятно, что то с путями. Хотя вся работа ведется с корректным интерпретатором и из виртуального окружения. Также есть вопросы по базам данных и типам полей в них, так как тест пишу для валидации данных в БД.

Разработка приложений для ПК. Доработка существующего продукта. Пишу интерфейс программы на PySide6 для своего пет-проект. Из за слабых знаний в ООП чувствую что пишу не красиво и не правильно. Ищу специалиста который поможет мне разобраться и исправить архитектуру моего кода.

написание программы для информатики. Разработка с нуля. Написать программу на языке python. Пожелания и особенности: написать программу на языке python.

написать программу в python. Разработка с нуля. Написать программу по информатике. Пожелания и особенности: написать программу по информатике.

Разобраться с переносом данных из sqlite в postgres. консультация. Уже описано.

Веб-разработка. Разработка с нуля. Здравствуйте! Есть сайт: https://www.fermah.xyz/day-1-nft-registration Хочу написать скрипт который будет решать эту капчу на этой конкретно странице. Сам капча находится в "Shadow root (closed)", поэтому селектора никакие не работают. Капча динамическая, поэтому судя по всему, не работает 2captcha Нужна помощь с этой капчей) claudflare turnstile Пробовал с ГПТ и так и сяк, не получается p.s. Я не программист Можете ли помочь с таким?).

Разработка приложений для ПК. Доработка существующего продукта. Нужно провести ревью кода и запустить приложение на Python. Приложение - робот для биржи Bybit, который нужно полностью запустить с учетом работы алгоритма. Только для опытных на Python разработчиков. В случае успеха партнерства, готов предложить сопровождение далее и партнерский процент с прибыли на бирже.

Разработка приложений для ПК. Разработка с нуля. Мне нужен обработчик файла, приходящего на электронную почту, а затем отправка обработанного файла на эту же почту с другого email. На входе у обработчика изменяемые параметры: - таблица с ценой закупки (buying_price) во вложении сообщения и таблица с текущей ценой продажи и анализом конкурентов (current_price) во вложении сообщения. Более 10000 строк с артикулами , производителями этих артикулов. В таблице с закупочными ценами может быть больше артикулов, чем в таблице с текущей ценой продажи, т.к. некоторые артикулы не выставлены на продажу и нужно выставить для них цены - таблица producers.xlsx с соответствием названий производителей в таблицах current_price и buying_price - данные для авторизации на email - email отправителя сообщения (для каждой таблицы отдельный email) - название темы сообщения (для каждой таблицы отдельное название) - название вложения в сообщении (для каждой таблицы отдельное название) - email получателя сообщения (для отправки итоговой таблицы) - минимальная наценка, если есть конкурент (например, 40%) - наценка, если конкурентов нет (например, 100%) На выходе парсер отправляет заполненную таблицу со столбцами "Артикул", "Производитель", "Цена закупки", "Текущая цена продажи в exist", "Цена конкурента", "Срок доставки конкурента", "Новая цена продажи в exist", "Наценка", "Комментарий" Чтобы было проще, введу названия для обозначения переменных: min_markup_competitor - минимальная наценка если есть конкурент max_markup_no_competitor - наценка если конкурентов нет buy_price - цена закупки артикула current_price - текущая цена продажи в exist new_margin - новая наценка competitor_price - цена конкурента competitor_delivery - срок доставки конкурента на сайте new_price - новая цена продажи в exist Как происходит обработка: 1.Поиск последнего сообщения в email с определённой темой, названием вложения от отправителя, в котором находится таблица с ценой закупки (buying_price). Загрузка этого вложения 2.Поиск последнего сообщения в email с определённой темой, названием вложения от отправителя, в котором находится таблица с текущей ценой продажи и анализом конкурентов (current_price). Загрузка этого вложения 3.Очистка значений в таблице с текущей ценой продажи (current_price) в столбце «Код» от лишних символов: пробелы, запятые, тире и прочее 4. Построчная обработка таблицы с ценой закупки (buying_price) и поиск такого же артикула и производителя в таблице с текущей ценой продажи (current_price), при условии, что название производителя может быть как в таблице producers.xlsx. После этой построчной обработки должны быть известны buy_price, current_price, competitor_price, competitor_delivery. Далее идёт проверка условий: 4.1. Если нет конкурентов (пустая ячейка в столбце «Локально Цена Минимум»), или если артикул есть в таблице buying_price но его нет в таблице current_price, то в выходной таблице в ячейку "Новая цена продажи в exist" поставить значение new_price = buy_price * (max_markup_no_competitor + 100) / 100, в ячейку "Наценка" подставить значение new_margin = max_markup_no_competitor, в ячейку "Комментарий" добавить значение "Артикул без конкурентов, или ввод нового артикула в продажу", ячейки "Цена конкурента" и "Срок доставки конкурента" оставить пустыми и перейти к поиску следующего артикула 4.2. Если competitor_price > own_price, то new_price = current_price + 0.97 * (competitor_price - current_price) - 5 4.3. Если competitor_price <= own_price, то new_price = current_price - 1.03 * (current_price - competitor_price) - 5 5. Проверка условий: 5.1. Если new_price >= buy_price * ((100 + min_markup_competitor) / 100), то в ячейку "Новая цена продажи в exist" поставить значение new_price, в ячейку "Текущая цена продажи в exist" поставить значение current_price, в ячейку "Наценка" поставить значение new_margin = (new_price - buy_price) / buy_price * 100, в ячейку "Комментарий" добавить значение "Конкурирующая цена", в ячейку "Цена конкурента на сайте" поставить значение competitor_price, в ячейку "Срок доставки конкурента" поставить значение competitor_delivery и перейти к поиску следующего артикула 5.2. Если new_price < buy_price * ((100 + min_markup_competitor) / 100), то new_price = buy_price * ((100 + min_markup_competitor) / 100) и поставить значение new_price в ячейку "Новая цена продажи в exist", в ячейку "Текущая цена продажи в exist" поставить значение current_price, в ячейку "Наценка" поставить значение new_margin = min_markup_competitor, в ячейку "Комментарий" добавить значение "Невозможно бороться, ставим минимальную наценку", в ячейку "Цена конкурента на сайте" поставить значение competitor_price, в ячейку "Срок доставки конкурента" поставить значение competitor_delivery и перейти к поиску следующего артикула 6. Повторять шаги 4-6, пока не закончится таблица buying_price 7. Отправить на email итоговую таблицу Прикрепляю примеры исходных таблиц с артикулами, производителями, ценой закупки и текущей ценой продажи, таблицу producers. Срок: 3 дня Бюджет: 5000 рублей.

Разработка приложений для ПК. Разработка с нуля. Есть таблица, в которой много строчек и надо её переформатировать в нужный для 1С формат. Формат покажу. Этот скрипт должен будет выполняться переодически на линкуск сервере. Вы должны быть самозанятым. Оплачиваю только официально.

Веб-разработка. Разработка с нуля. Описание проекта: Необходимо создать базовый сервис авторизации и управления профилем пользователя для внутренней экосистемы бизнес-инструментов. Сервис должен включать стандартные функции регистрации, авторизации и управления данными пользователя. Проект разрабатывается на Python с использованием фреймворка Flask (или FastAPI, если предложено обоснованное улучшение). Сервис будет выполнять две основные функции: Авторизация и регистрация пользователей. Управление профилем пользователя. На данном этапе планируется разработка только этих базовых функций в рамках MVP, с возможностью дальнейшего расширения и интеграции. Функциональные требования Регистрация и авторизация: Регистрация нового пользователя: принимает email, пароль, и выдает подтверждение. Активация email: отправка ссылки для подтверждения (через Mock или заглушку). Авторизация пользователя: логин по email и паролю с выдачей access_token и refresh_token (JWT). Выход из системы (logout): инвалидировать текущий токен сессии. Обновление access_token через refresh_token: для продления сессии. Управление профилем пользователя: Получение информации о пользователе: аватар, имя, email, номер телефона, адрес. Обновление профиля пользователя: изменение имени, аватара, номера телефона, адреса. Обновление пароля: изменение пароля по старому паролю или с помощью сброса. Сброс пароля: отправка ссылки на email для изменения пароля. Изменение email: изменение email с подтверждением нового адреса. Удаление аккаунта: полное удаление профиля с базы данных. CRUD-операции с профилем: Создание: регистрация и создание базового профиля. Чтение: получение информации о пользователе. Обновление: обновление любого поля в профиле (включая аватар и персональные данные). Удаление: деактивация или полное удаление профиля. Технические требования Язык программирования: Python. Фреймворк: Flask (предпочтительно) или FastAPI. База данных: PostgreSQL. ORM: SQLAlchemy (если используется Flask), иначе Pydantic + SQLModel. Токены и безопасность: JWT для access и refresh токенов. Хеширование паролей: библиотека bcrypt или argon2. Валидация данных: Pydantic или Marshmallow. Swagger-документация: авто-генерация документации по всем маршрутам API. Контейнеризация: приложение должно быть упаковано в Docker-контейнер (Dockerfile). Структура проекта: Маршруты и API Авторизация и регистрация: POST /auth/register — регистрация нового пользователя. POST /auth/login — авторизация пользователя и получение токенов. POST /auth/logout — выход из системы. POST /auth/refresh — обновление access-токена. POST /auth/password-reset — запрос на сброс пароля. POST /auth/password-change — изменение пароля с использованием токена. Профиль пользователя: GET /profile — получение профиля текущего пользователя. PUT /profile — обновление данных профиля (имя, номер телефона, аватар, адрес). DELETE /profile — удаление аккаунта пользователя. Дополнительные требования Тесты: Написать базовые тесты (unittest или pytest) для всех эндпоинтов (регистрация, авторизация, обновление профиля, удаление профиля). Логирование: Настроить логирование запросов и ошибок. Docker: Сервис должен запускаться в контейнере с доступом к базе данных PostgreSQL (можно использовать локальную БД или docker-compose). Swagger/OpenAPI: документация должна быть доступна по маршруту /docs. Критерии приёма Код проходит все базовые тесты. Все функции работают согласно ТЗ. Логирование ошибок и важных событий настроено. Доступна Swagger-документация. Приложение запускается через Docker без дополнительных настроек. Рекомендации по реализации Разделить код на модули (auth, profile, common), чтобы упростить будущие изменения. Избегать жестких связей между компонентами (использовать сервисы для логики). Протестировать приложение на уязвимости, особенно связанные с токенами и аутентификацией. Пишите нам: https://www.neonetdesign.ru/backend. 10000.

Разработка приложений для ПК. Разработка с нуля. Сделать анимированную презентацию матем.модели : Есть реализованный алгоритм (python) разбиения территории на регионы, согласно некоторому оптимизирующему критерию. [на самом деле, его назначение и сфера применения шире, но не суть] Нужно сделать анимированную презентаху (ролик), демонстрирующую возможности и работу алгоритма на примере некоторой произвольной территории, описанной набором тематических слоев карты, в том числе обязательно должен быть в наличии слой дорог, пригодный для формирования на его основе, графа транспортной доступности между точечными пунктами, расположенными на карте. Нужны специалисты А) владеющие инструментарием для визуализации + python Б) имеющие подходящий исходный материал в части GIS В) - желательно, находящиеся в теме математического моделирования, анализа данных и т.д - при соблюдении последнего условия, возможны так же варианты по дальнейшему сотрудничеству в плане совершенствования проекта.

hfphf,jnrf. Разработка с нуля, настройка. Программирование. 20000.

учебная. объяснить как работает программа. Нужна помощь в разборе задачи. Дисциплина - Формальные языки Лабораторная работа - Эквивалентные преобразования контестно-свободных грамматик Есть выполненная лабораторная работа на Python, требуется объяснить человеку решение задачи и программу. Тест лабы вышлю дополнительно.

Разробтка трейдинг бота. Разработка с нуля. Написание P2P бота. Пожелания и особенности: Написание P2P бота.

Создать простой интерфейс для кода phython. Доработка существующего продукта. Дан код, нужно написать для него интерфейс. Пожелания и особенности: Дан код, нужно написать для него простой интерфейс. Создать пару кнопок и всё.

Разработка приложений для ПК. Настройка, доработка существующего продукта. Имеется два файла excel, необходимо, чтобы информация из файла 1 передавалась в файл 2. Есть готовый код, но его нужно исправить.

Разработка приложений для ПК. Разработка с нуля. Написание парсера баз данных и парсинг информации с сайта. Пожелания и особенности: Написание парсера баз данных и парсинг информации с сайта.

Разработка приложений для ПК. Разработка с нуля. ТЗ и сбор требований в стадии проработки. Предварительно задача следующая: Необходимо создать ПО, которое после внесения ссылки пользователем будет заполнять конкретные данные в таблице xlsx по информации с сайта https://zakupki.gov.ru/. Вероятно, также необходимо получать информацию из документов с данного сайта. Возможный алгоритм: 1) Получение на вход идентификатора (ссылки) 2) запрос к сайту 3) скачивание документов 4) обработка документов 5) заполнение таблицы данными.

Обсудим на встрече. Разработка с нуля. Подбираю Специалиста для обсуждения с руководителем задания.

помощь в написании экзамена. написать экзамен. Пересдача по независимому экзамену ВШЭ, нужно будет написать программы для задач и прислать. Пожелания и особенности: пересдача по независимому экзамену ВШЭ, нужно будет написать программы для задач и прислать.

AI. Разработка с нуля. Требования: • Опыт работы с Python от 2 лет; • Понимание и работа с RestAPI; • Опыт работы с Docker; • Знание и использование FastAPI или Django; • Умение работать с Git, Jira и другими инструментами для управления проектами. Условия: Проектная занятость, частичная занятость на данном этапе. Для отклика: В ответе укажите, пожалуйста: • Вашу почасовую ставку; • Области, в которых у вас был опыт; • Ключевые навыки и технологии, с которыми вы работали. Цену проставил условную.

Веб-разработка. Тестирование, настройка, доработка существующего продукта. Выбрать интересный проект с GitHub на django. Далее написать для этого проекта какие-нибудь юнит тесты используя библиотеку pytest в python. Пожелания и особенности: выбрать интересный проект с GitHub на django. Далее написать для этого проекта какие-нибудь юнит тесты используя библиотеку pytest в python.

Необходимо подготовиться к экзамену в университете по программированию Python. Подготовка к экзамену. Подготовить к экзамену.