Как генерировать реалистичные мок-данные с помощью Polyfactory и Новый метод ...

Как генерировать реалистичные мок-данные с помощью Polyfactory

Библиотека Polyfactory помогает автоматически создавать тестовые данные на основе типов Python — от простых dataclasses до сложных вложенных моделей. Она работает с Pydantic, attrs, msgspec и стандартными dataclasses, поддерживая валидацию и ограничения.

В обучающем материале показано, как настраивать фабрики: определять кастомные поля через classmethods, задавать фиксированные значения (Use), игнорировать поля (Ignore), считать итоговые суммы и производные показатели (final_price, SKU, total_amount). Также разобраны примеры вложенных структур — заказы с товарами и доставкой, блог-посты с тегами, конфигурации с ключами.

Генератор позволяет собирать пачки записей, переопределять отдельные поля при build(), и точно воспроизводить доменные сценарии — от выбора отделов и зарплат до естественных имён и email.

Новый метод оценки давления в скважине с помощью машинного обучения

Исследователи предложили альтернативу дорогим и иногда ненадёжным датчикам для постоянного мониторинга давления в забое нефтяных скважин. Вместо физических датчиков используются данные с поверхности — давление у устья скважины и показания с поверхностных систем.

Решение основано на нейросети с длинной краткосрочной памятью (LSTM), которая точнее традиционных моделей, таких как многослойный персептрон или гребневая регрессия. Также впервые применён подход переноса обучения — модель можно адаптировать под новые условия без полного переобучения.

Тестирование на реальных данных с морских месторождений в бассейне Пре-саль в Бразилии показало среднюю абсолютную ошибку менее 2 %. Метод дешевле и надёжнее, сохраняя высокую точность при различных геологических и технологических условиях.