Итак, взгляните на список созданных вами функций, и, если он слишком длинный, начните вычеркивать функции, без которых ваше приложение может работать.

Помните, это ваша версия 1, и вы должны просто упростить ее. Сосредоточьтесь на вещах, которые позволят приложению выполнять все, что от него требуется, - все остальное можно оставить для другого проекта.

Для образца основной список функций для клона Reddit:

• пользователи могут создать учетную запись
• пользователей могут восстановить утерянные пароли
• пользователей могут менять свои пароли
• пользователей могут размещать новые ссылки
• пользователей могут комментировать ссылки
• пользователей могут голосовать за / против ссылки
• пользователей имеют профиль, показывающий их историю / активность

Перечисленные выше функции являются основными функциями, на которых вам следует сосредоточиться в первую очередь.Другие функции, такие как:

• пользователей могут поделиться в социальных сетях
• пользователей могут удалять комментарии
• Пользователи могут редактировать комментарии
• пользователей могут удалить свою учетную запись

Являются вторичными и могут быть сохранены для версии 1.x - работайте с ними только после того, как вы действительно сможете запустить версию 1.0

Шаг 3. Нарисуйте свое приложение

Лицензия CC

Нет ничего быстрее ручки и бумаги. К настоящему времени у вас должно быть довольно четкое представление о том, что должно делать ваше приложение, поэтому нарисуйте каркас пользовательского интерфейса вашего приложения (пользовательского интерфейса).Где должны быть расположены кнопки, для чего они нужны и так далее.

Сделайте заметки и поясните, как приложение должно работать. Вы все еще находитесь в стадии мозгового штурма, поэтому меняйте что-то, пока вы не будете чем-то удовлетворены.

Помните, все просто . Если вы сократили список на шаге 2, придерживайтесь только перечисленных в нем функций набросков - не увлекайтесь. Если ничего не можешь с собой поделать, нарисуй 2 версии: базовую и финальную в своих снах.

В общем, это не окончательный вид, а скорее всего лишь шаг, который поможет вам лучше понять свое приложение.

Шаг 4. Планирование пользовательского интерфейса вашего приложения

Хорошо. У вас есть хорошее представление о том, как будет выглядеть ваше приложение, что должен делать каждый элемент и как пользователи могут взаимодействовать с вашим приложением. Пришло время разобраться в пользовательском интерфейсе вашего приложения. Это означает, как пользователь должен использовать ваше приложение от начала до конца. Запишите каждый шаг, который им нужно сделать, и каждый сценарий, с которым они могут столкнуться.Постарайтесь рассмотреть все варианты использования.

(лицензия CC)

Включите в блок-схему все действия, которые может выполнять пользователь. Например, если ваше приложение требует от пользователей входа в систему, как им создать учетную запись? Что делать, если пользователи забыли свой пароль? Что, если они ввели неправильный пароль? Что должен делать пользователь в каждом интерфейсе (добавить новый элемент списка> сохранить; изменить> сохранить / удалить)? И так далее. Быстрее всего это делается с помощью ручки и бумаги.

Опять же, поскольку ваше приложение должно быть довольно простым, ваша диаграмма не должна быть слишком массивной.

Шаг 5. Проектирование базы данных

Хорошо! После того, как вы спланировали все возможные сценарии, взгляните на них, чтобы определить, какие данные вам необходимо сохранить. Например, если ваше приложение требует, чтобы пользователи создавали учетную запись, вам нужно будет отслеживать такие вещи, как имя пользователя, идентификатор пользователя, адрес электронной почты пользователя, пароль, подтверждена ли электронная почта пользователя, а также когда учетная запись была создана. как каждый раз, когда пользователь входит в ваше приложение.

Если вы создаете клон Твиттера, вам необходимо знать идентификатор твита, его содержание, дату публикации / ретвита твита, количество ретвитов и количество звездочек.Вам также нужно будет вести учет ретвитов и звездочек пользователей.

Вы можете нарисовать диаграмму ERM (модель сущности-отношения), чтобы отобразить взаимосвязь данных.

Пример схемы Entity-Relationship Diagram сайта выбора курса Лицензия CC

Кроме того, если у вас есть запланированные какие-либо будущие функции, самое время запланировать их в вашей базе данных. Вот хорошая статья, на которую стоит обратить внимание при разработке базы данных.

Продвинутый

Если приложение, которое вы планируете, будет взаимодействовать с сервером (например,грамм. если вы создаете полнофункциональное веб-приложение) или если ваше приложение будет взаимодействовать с API (например, вы пытаетесь получить информацию от Yahoo! Weather), то, вероятно, будет хорошей идеей нарисовать диаграмму последовательности, чтобы вы получить лучшее представление о том, как должны работать процессы.

Из Википедии

Шаг 6. Каркасы UX

Хорошо, у вас запланирована внутренняя часть. А теперь пора спланировать интерфейс.

Надеюсь, вы все еще взволнованы, как и миньоны выше.Вы знаете, что вам нужно - теперь вы гораздо лучше представляете, как должно выглядеть ваше приложение.

Лицензия CC

Поскольку люди в основном визуальные существа, вам будет лучше понять, что вам следует делать, если у вас будет визуальное представление каждого представления, которое вы будете кодировать. Однако, если вы похожи на меня и ваш рисунок настолько беспорядочный, что вы с трудом можете понять непонятный кусок ... кашля шедевра ... который вы создали, естественно, неразумно продолжать этот шаг, злоупотребляя своими плохими художественными умственными способностями.

К счастью, в Интернете существует множество инструментов для создания каркасов и макетов, которые помогут вам спланировать свой UX / UI поток (например, Gliffy, Mockflow, Framebox, Wireframe.cc, Invis

Как использовать резюме поиска по сетке в sklearn, Keras, XGBoost, LightGBM в Python

Grid Search с перекрестной проверкой (GridSearchCV) - это грубая сила для поиска лучших гиперпараметров для определенного набора данных и модели. Почему бы не автоматизировать это настолько, насколько это возможно? Оставайтесь до конца для RandomizedSearchCV в дополнение к реализации GridSearchCV.

Для некоторых это, возможно, тривиальная задача, но очень важная - поэтому стоит показать, как можно выполнить поиск по гиперпараметрам для всех популярных пакетов.

В этом посте я собираюсь рассмотреть фрагмент кода для классификации и регрессии, варьирующийся между Keras, XGBoost, LightGBM и Scikit-Learn.

Существует GitHub с кнопкой colab , где вы можете мгновенно запустить тот же код, который я использовал в этом посте.

1. Что такое GridSearchCV?

2. Настройка: подготовленный набор данных

3. Запуск GridSearchCV (Keras, sklearn, XGBoost и LightGBM)

4. Запуск вложенной перекрестной проверки с поиском по сетке

5. Запуск RandomSearchCV

6. Дополнительная литература (книги и справочники)

Что такое GridSearchCV?

Одной строкой: перекрестная проверка - это процесс разделения одного и того же набора данных на K-разделы, и для каждого разделения мы ищем всю сетку гиперпараметров для алгоритма методом грубой силы, пробуя каждую комбинацию.

Обратите внимание, что я имею в виду перекрестную проверку K-Fold (CV), хотя есть и другие методы выполнения CV.

Итеративным образом мы переключаем наборы данных для тестирования и обучения в разные подмножества из полного набора данных. Обычно мы разделяем полный набор данных так, чтобы в каждом тестовом сгибе было 10% ($ K = 10 $) или 20% ($ K = 5 $) от полного набора данных.

Grid Search: Из этого изображения перекрестной проверки мы делаем следующее для поиска по сетке; для каждой итерации протестируйте все возможные комбинации гиперпараметров, подбирая и оценивая каждую комбинацию отдельно.

Настройка: подготовленный набор данных

Нам нужен подготовленный набор данных, чтобы иметь возможность запускать поиск по сетке по всем различным параметрам, которые мы хотим попробовать. Я предполагаю, что вы уже подготовили набор данных, иначе я покажу краткую версию его подготовки, а затем перейду к поиску по сетке.

В этом посте я собираюсь запустить модели на трех разных наборах данных; MNIST, Цены на жилье в Бостоне и рак груди. Единственная цель - сразу перейти от подготовки набора данных к его запуску с помощью GridSearchCV.Но нам нужно будет провести небольшую подготовку, которую мы сведем к минимуму.

Для набора данных MNIST мы нормализуем изображения, делим их на значения кода RGB и быстро кодируем наши выходные классы

  # LOAD DATA (x_train, y_train), (x_test, y_test) = mnist.load_data () # ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА def preprocess_mnist (x_train, y_train, x_test, y_test): # Нормализация всех изображений размером 28x28 пикселей x_train = x_train.reshape (x_train.shape [0], 28, 28, 1) x_test = x_test.reshape (x_test.shape [0], 28, 28, 1) input_shape = (28, 28, 1) # Плавающие значения для деления x_train = x_train.astype ('float32') x_test = x_test.astype ('float32') # Нормализация кодов RGB путем деления их на максимальное значение RGB x_train / = 255 x_test / = 255 # Категориальные значения y y_train = to_categorical (y_train) y_test = to_categorical (y_test) вернуть x_train, y_train, x_test, y_test, input_shape X_train, y_train, X_test, y_test, input_shape = preprocess_mnist (x_train, y_train, x_test, y_test)  

Для набора данных о ценах на жилье мы делаем еще меньше предварительной обработки.На самом деле мы просто удаляем несколько столбцов с пропущенными значениями, удаляем остальные строки с пропущенными значениями и сразу же кодируем столбцы.

  бостон = load_boston () X = boston.data y = boston.target X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0,2, random_state = 42)  

Для последнего набора данных, рака груди, мы не выполняем никакой предварительной обработки, за исключением разделения набора данных для обучения и тестирования на обучающие и тестовые разделы

  # Загрузить набор данных рака груди рак = load_breast_cancer () X = рак.данные y = Cance.target X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0,2, random_state = 42)  

Запуск GridSearchCV

Следующим шагом является фактический запуск поиска по сетке с перекрестной проверкой. Как это работает? Что ж, я сделал эту функцию, которую довольно легко взять и использовать. Вы можете ввести свой различный раздел обучения и тестирования X_train_data , X_test_data , y_train_data , y_test_data . Вы также можете ввести свою модель , из какой бы библиотеки она ни была; может быть Keras, sklearn, XGBoost или LightGBM.Вам нужно будет указать, какие параметры, в param_grid , вы хотите «перебрать», чтобы найти лучшие гиперпараметры. Важно также указать, какие оценки вы хотите использовать; есть один для установки на модель scoring_fit . Наконец, вы можете установить другие параметры, например, сколько K-разделов вы хотите и какие оценки из sklearn.metrics вы хотите использовать. Мы используем n_jobs = -1 в качестве стандарта, поскольку это означает, что мы используем все доступные ядра ЦП для обучения нашей модели.

  def algorithm_pipeline (X_train_data, X_test_data, y_train_data, y_test_data, модель, param_grid, cv = 10, scoring_fit = 'neg_mean_squared_error', do_probabilities = False): gs = GridSearchCV ( оценка = модель, param_grid = param_grid, cv = cv, n_jobs = -1, scoring = scoring_fit, подробный = 2 ) fit_model = gs.fit (X_train_data, y_train_data) если do_probabilities: пред = подобранная_модель.pred_proba (X_test_data) еще: пред = подобранная_модель.predict (X_test_data) вернуть установленную_модель, пред  

Обратите внимание, что мы могли бы заменить GridSearchCV на RandomSearchCV , если вы хотите использовать это вместо этого.

Keras

Во-первых, мы определяем архитектуру нейронной сети, и, поскольку она предназначена для набора данных MNIST, состоящего из изображений, мы определяем его как своего рода сверточную нейронную сеть (CNN).

  # Подготовка модели нейронной сети def build_cnn (активация = 'relu', dropout_rate = 0.2, optimizer = 'Adam'): model = Последовательный () model.add (Conv2D (32, размер_ядра = (3, 3), активация = активация, input_shape = input_shape)) model.add (Conv2D (64, (3, 3), активация = активация)) model.add (MaxPooling2D (размер_пул = (2, 2))) model.add (Dropout (dropout_rate)) model.add (Flatten ()) model.add (Плотный (128, активация = активация)) model.add (Dropout (dropout_rate)) model.add (Плотный (10, активация = 'softmax')) модель.компилировать ( loss = 'category_crossentropy', optimizer = оптимизатор, метрики = ['точность'] ) модель возврата  

Затем мы просто определяем параметры и модель для ввода в algorithm_pipeline ; мы запускаем классификацию этого набора данных, так как мы пытаемся предсказать, к какому классу можно отнести данное изображение. Обратите внимание, что я закомментировал некоторые параметры, потому что обучение займет много времени, но вы всегда можете повозиться с тем, какие параметры вам нужны.Вы даже можете добавить pool_size или kernel_size .

  param_grid = { 'эпохи': [1,2,3], 'размер_пакета': [128] # 'эпох': [100,150,200], # 'batch_size': [32, 128], # 'optimizer': ['Adam', 'Nadam'], # 'dropout_rate': [0,2, 0,3], # 'активация': ['relu', 'elu'] } model = KerasClassifier (build_fn = build_cnn, подробный = 0) модель, pred = algorithm_pipeline (X_train, X_test, y_train, y_test, model, param_grid, cv = 5, scoring_fit = 'neg_log_loss') печать (модель.лучший результат_) печать (model.best_params_)  

Из этого GridSearchCV мы получаем лучший результат и лучшие параметры:

  -0.04399333562212302 {'batch_size': 128, 'эпохи': 3}  

Исправление ошибки для оценки с помощью Keras

Я столкнулся с этой проблемой при кодировании решения, пытающегося использовать точность для модели Keras в GridSearchCV - вы можете задаться вопросом, почему 'neg_log_loss' использовался в качестве метода оценки?

Решение использовать что-то еще, кроме отрицательной потери журнала, состоит в том, чтобы удалить часть предварительной обработки набора данных MNIST; то есть УДАЛИТЬ ту часть, где мы делаем выходные переменные категориальными

  # Категориальные значения y y_train = to_categorical (y_train) y_test = to_categorical (y_test)  

Конечно, мы могли бы работать с другими методами подсчета очков, верно? Да, это действительно так (см. Блокнот).Это лучший результат и лучшие параметры:

  0,9858 {'batch_size': 128, 'эпохи': 3}  

XGBoost

Затем мы определяем параметры для набора данных о ценах на жилье в Бостоне. Здесь задача - регресс, для чего я решил использовать XGBoost. Я также выбрал оценку с помощью среднеквадратичной ошибки (RMSE).

  модель = xgb.XGBRegressor () param_grid = { 'n_estimators': [400, 700, 1000], 'colsample_bytree': [0,7, 0,8], 'max_depth': [15,20,25], 'reg_alpha': [1.1, 1.2, 1.3], 'reg_lambda': [1.1, 1.2, 1.3], 'подвыборка': [0,7, 0,8, 0,9] } модель, pred = algorithm_pipeline (X_train, X_test, y_train, y_test, model, param_grid, cv = 5) # Среднеквадратичная ошибка печать (np.sqrt (-model.best_score_)) печать (model.best_params_)  

Наилучшая оценка и параметры для набора данных о ценах на жилье, найденные с помощью GridSearchCV, составили

  3,484
83892733 {'colsample_bytree': 0.8, 'max_depth': 20, 'n_estimators': 400, 'reg_alpha': 1.2, 'reg_lambda': 1,3, 'подвыборка': 0,8}  

LightGBM

Следующей задачей был LightGBM для классификации рака груди. Выбранная метрика - точность.

  модель = lgb.LGBMClassifier () param_grid = { 'n_estimators': [400, 700, 1000], 'colsample_bytree': [0,7, 0,8], 'max_depth': [15,20,25], 'num_leaves': [50, 100, 200], 'reg_alpha': [1.1, 1.2, 1.3], 'reg_lambda': [1.1, 1.2, 1.3], 'min_split_gain': [0,3, 0,4], 'подвыборка': [0,7, 0.8, 0.9], 'subsample_freq': [20] } модель, pred = algorithm_pipeline (X_train, X_test, y_train, y_test, model, param_grid, cv = 5, scoring_fit = 'precision') печать (модель.best_score_) печать (model.best_params_)  

Лучшие параметры и лучший результат GridSearchCV в наборе данных рака груди с LightGBM составил

  0,9736263736263736 {'colsample_bytree': 0,7, 'max_depth': 15, 'min_split_gain': 0,3, 'n_estimators': 400, 'num_leaves': 50, 'reg_alpha': 1.3, 'reg_lambda': 1.1, 'subsample': 0.7, 'subsample_freq': 20}  

Sklearn

Чтобы показать, что вы действительно можете запускать GridSearchCV с одним из собственных оценщиков sklearn, я попробовал RandomForestClassifier в том же наборе данных, что и LightGBM.

  модель = RandomForestClassifier () param_grid = { 'n_estimators': [400, 700, 1000], 'max_depth': [15,20,25], 'max_leaf_nodes': [50, 100, 200] } модель, pred = algorithm_pipeline (X_train, X_test, y_train, y_test, model, param_grid, cv = 5, scoring_fit = 'precision') печать (модель.лучший результат_) печать (model.best_params_)  

И действительно результат оказался хуже, чем у LightGBM, как и ожидалось:

  0,9648351648351648 {'max_depth': 25, 'max_leaf_nodes': 50, 'n_estimators': 1000}  

Запуск вложенной перекрестной проверки с поиском по сетке

Заинтересованы в запуске беспристрастного GridSearchCV? Приветствую вас на вложенной перекрестной проверке; где вы получаете оптимальный компромисс смещения и дисперсии и, согласно теории, максимально объективную оценку.

Я бы посоветовал вам проверить этот репозиторий на GitHub.

Я написал об этом:

Код Python для вложенной перекрестной проверки

Код для вложенной перекрестной проверки в машинном обучении - объективная оценка истинной ошибки. Что такое вложенная перекрестная проверка, и почему и когда ее использовать.

Я встроил примеры ниже, и вы можете установить пакет с помощью команды pip:
pip install nested-cv

RandomSearchCV

Нам не нужно ограничиваться GridSearchCV - почему бы не реализовать RandomSearchCV тоже, если вам так больше нравится.Это реализовано в нижней части ноутбука, доступном здесь.

Мы можем указать другой параметр для конвейера search_mode , который позволяет нам указать, какой алгоритм поиска мы хотим использовать в нашем конвейере. Но мы также вводим еще один параметр под названием n_iterations , поскольку нам нужно предоставить такой параметр как для класса RandomSearchCV, но не для GridSearchCV.

Мы можем установить значения по умолчанию для обоих этих параметров, и я действительно так и сделал. search_mode = 'GridSearchCV' и n_iterations = 0 - это значения по умолчанию, поэтому мы по умолчанию используем GridSearchCV, где количество итераций не используется.

Вот код, и обратите внимание, что мы только что сделали простой оператор if для того, какой класс поиска использовать:

  из sklearn.model_selection import RandomizedSearchCV def search_pipeline (X_train_data, X_test_data, y_train_data, y_test_data, модель, param_grid, cv = 10, scoring_fit = 'neg_mean_squared_error', do_probabilities = False, search_mode = 'GridSearchCV', n_iterations = 0): Fitted_model = Нет если (search_mode == 'GridSearchCV'): gs = GridSearchCV ( оценка = модель, param_grid = param_grid, cv = cv, n_jobs = -1, scoring = scoring_fit, подробный = 2 ) fit_model = gs.подходят (X_train_data, y_train_data) elif (search_mode == 'RandomizedSearchCV'): rs = RandomizedSearchCV ( оценка = модель, param_distributions = param_grid, cv = cv, n_iter = n_iterations, n_jobs = -1, scoring = scoring_fit, подробный = 2 ) fit_model = rs.fit (X_train_data, y_train_data) если (подобранная_модель! = Нет): если do_probabilities: пред = подобранная_модель.predict_proba (X_test_data) еще: пред = подобранная_модель.предсказать (X_test_data) вернуть установленную_модель, пред  

Запустив это для набора данных рака груди, он дает следующие результаты, которые почти такие же, как результат GridSearchCV (который получил оценку 0,9648)

  0,9626373626373627 {'n_estimators': 1000, 'max_leaf_nodes': 100, 'max_depth': 25}  

Дополнительная литература

Ниже перечислены наиболее рекомендуемые книги (со ссылкой на Amazon) по порядку. Первый особенно хорош для практики машинного обучения на Python, поскольку он охватывает большую часть scikit-learn и TensorFlow.

Книги с Amazon

• Практическое машинное обучение, лучшая практическая книга!
• Краткая книга со всем материалом, необходимым для начала работы; отличная ссылка!
• Айдемическая и теоретическая книга для глубокого обучения
• Изучение машинного обучения с помощью теории вероятностей. Рекомендуется, если у вас есть математический фон.

Ссылки на классы из этого поста

Я рекомендую прочитать документацию для каждой модели, которую вы собираетесь использовать с этим конвейером GridSearchCV - это решит проблемы, с которыми вы столкнетесь при переходе на другие алгоритмы.В частности, вот документация по алгоритмам, которые я использовал в этих сообщениях:

Практическое глубокое обучение для кодеров

Если вы готовы погрузиться прямо сейчас, вот как начать. Если вы хотите узнать больше об этом курсе, прочтите следующие разделы, а затем вернитесь сюда.

Чтобы просмотреть видео, щелкните раздел Lessons на боковой панели навигации. У всех уроков есть записи с возможностью поиска; нажмите «Поиск в стенограмме» на верхней правой панели, чтобы найти слово или фразу, а затем нажмите ее, чтобы перейти прямо к видео в то время, которое указано в стенограмме.Все видео снабжены субтитрами, а также переведены на китайский (简体 中文) и испанский; во время просмотра видео нажмите кнопку «CC», чтобы включить и выключить их, и кнопку настройки, чтобы изменить язык.

Каждое видео охватывает главу из книги. Каждая глава книги полностью доступна в виде интерактивной записной книжки Jupyter. Jupyter Notebook - самый популярный инструмент для анализа данных на Python, и не зря. Он мощный, гибкий и простой в использовании. Мы думаем, вам это понравится! Поскольку самое важное для изучения глубокого обучения - это написание кода и эксперименты, важно, чтобы у вас была отличная платформа для экспериментов с кодом.

Для начала мы рекомендуем использовать Jupyter Server с одной из рекомендуемых онлайн-платформ (щелкните ссылки, чтобы узнать, как использовать их для курса):

• Colab: популярный бесплатный сервис от Google. Google довольно сильно изменил платформу ноутбука, поэтому сочетания клавиш другие, и не все работает (например, большая часть главы 2 не работает, потому что Colab не поддерживает создание графических интерфейсов веб-приложений)
• Gradient: В отличие от Colab, это «настоящий» Jupyter Notebook, поэтому все в курсе работает.Он также предоставляет место для хранения ваших ноутбуков и моделей. Однако иногда бесплатные серверы перегружаются, и в таких случаях невозможно подключиться.

Если вас интересует опыт работы с полноценным сервером Linux, вы можете рассмотреть DataCrunch.io (очень новый сервис, поэтому мы не знаем, насколько он хорош, не требует настройки, очень хорошее соотношение цены и чрезвычайно быстрые графические процессоры), или Google Cloud (чрезвычайно популярный сервис, очень надежный, но самые быстрые графические процессоры намного дороже).Мы настоятельно рекомендуем использовать одну из рекомендуемых онлайн-платформ для запуска ноутбуков, а , а не , использовать свой собственный компьютер, если у вас нет большого опыта в администрировании системы Linux и работе с драйверами графического процессора, CUDA и т. Д.

Если вам нужна помощь, то на forum.fast.ai есть прекрасное онлайн-сообщество, готовое помочь. Прежде чем задавать вопрос на форумах, внимательно поищите, чтобы увидеть, был ли ранее на ваш вопрос ответ. (Система форумов не позволит вам публиковать сообщения, пока вы не потратите несколько минут на сайт, читая существующие темы.) Одна вещь, которую многие студенты находят сложной, - это зарегистрироваться в Bing API для выполнения задачи загрузки изображения в уроке 2; вот полезное сообщение на форуме, в котором объясняется, как получить ключ API Bing, который понадобится для загрузки изображений.

Смотрите также

• 
  Как научиться просыпаться по утрам
• 
  Как научиться говорить по турецки
• 
  Как быстро научиться делать домашнее задание
• 
  Как научиться танцевать брейкинг
• 
  Как научиться делать мексиканку в домашних условиях
• 
  Как научиться по блатному разговаривать
• 
  Как научиться кататься на велосипеде ребенку 10 лет
• 
  Как быстро научиться вязать игрушки
• 
  Как научиться составлять психологический портрет
• 
  Как себя научиться продавать
• 
  Как научиться программировать на python