Топ-100
Сейчас ищут:

Скачать [Ontico] Moscow Python Conf ++ 2021

Admin

Администратор
Команда форума
Регистрация
30 Дек 2017
Сообщения
148,673
Симпатии
4,170
25

Что вы получите

  • Карта применения Python для высоконагруженных задач
  • Система развития навыков питониста от евангелиста MoscowPython Ильи Лебедева
  • Карьерный roadmap питониста
  • Интерактивная карта применения Python к различным частям инфраструктуры
  • Топ-10 уязвимостей в Python от компании Positive Technologies
Секции конференции
  • DevOps, контейнеры и развертывание
  • Базы данных и ORM
  • AI/ML и визуализация данных
  • Тестирование и автоматизация
  • Язык Python, его эволюция и использование
  • Сеть, бэкенд и web-разработка
Все презентации спикеров
Видеозаписи всех докладов
Трансляция всех докладов. Митапы и воркшопы не транслируются!

Предворительная программв:

1. AI/ML и визуализация данных (всего - 10)

Towards Knowledge as Code AI/ML и визуализация данных

Анатолий Щербаков
Recall Masters

Пишет на Python около десяти лет, занимается корпоративными системами и любит красоту в коде. Мечтает о Semantic Web.
Вам нужно зарегистрироваться для просмотра ссылки

Пожалуйста Войдите или Зарегистрируйтесь для просмотра скрытого текста.

or

Пожалуйста Войдите или Зарегистрируйтесь для просмотра скрытого текста.



Вам нужно зарегистрироваться для просмотра ссылки

Пожалуйста Войдите или Зарегистрируйтесь для просмотра скрытого текста.

or

Пожалуйста Войдите или Зарегистрируйтесь для просмотра скрытого текста.




Кажется, большинство причастных к программированию людей пришло в профессию для того, чтобы писать код, а вот писать к этому коду документацию это большинство терпеть не может. Я принадлежу к этому множеству людей: написание документации — это скучная, нудная, утомительная и обычно ручная работа, слабо облегчаемая автоматическими инструментами.
В докладе я предложу несколько положений и принципов, которым, как мне кажется, должна следовать идеальная система документирования кода, а также вынесу на суд коллег некоторые решения описанных проблем.

Почему вам нужен JupyterHub: для команды, студентов и домохозяйки
Петр Ермаков
DataGym / Lamoda

Jupyter и JupyterHub — популярный инструмент для работы с данными.
Я расскажу, почему я его люблю и почему ненавижу, секреты и опыт.
Вас ждут особенности и лайфхаки настройки JupyterHub для большой Data Science-команды. Как правильно организовать работу на общих серверах. Даже если команда состоит из одного человека, вы вынесете новые хитрости.
Но что, если вы не один? Как ужиться на одной машине 20 студентам, изучающим ML, или R&D-команде из 15? Готовые рецепты, рекомендации и собранные грабли.

Автоматизируем саморефлексию ботами и дашбордами
Игорь Мосягин
Klarna

Тяга к собиранию метрик про себя привела меня к попыткам автоматизации этого процесса. Сломав много копий о нереалистичные ожидания, я спустя несколько лет пришёл к некоторому балансу между замороченностью процесса и его автоматизацией и построил свою систему мониторинга собственного состояния. Система состоит из точек сбора, дашбордов и анализа, а также механизма алертов когда метрики показывают что-то аномальное. Я расскажу о личном опыте выстраивания подобной системы и поделюсь собственными находками полезными для тех, кто хочет что-то подобное построить себе.
В конце доклада я дам несколько ссылок на разработанные мной бибилотеки, которые помогающие это заавтоматизировавать.

От 0 до 1, Рython для Data Scientist
Виктория Тюфякова
Магнит, SkillFactory

ЯП Python является одним из ключевых навыков в сфере Data Science, но как облегчить себе путь в начале развития в новой сфере/профессии и не учить все и сразу?
Data Science включает несколько специализаций, каждая из которых использует Python в своей работе, а так же внутри одной специальности, например Data scientist, для решения разных задач используются различные библиотеки ЯП Python. C чего же все-таки начать, чтобы как можно быстрее войти в профессию Data Scientist? Об это я и буду говорить в своем докладе.

Работа с МЛ-сервисами под нагрузкой
Олег Бугримов
Авито

У нас в Авито созданы десятки сервисов, в которых используется модели машинного обучения. Модели встречаются большие и маленькие. Суммарная нагрузка на сервисы около 1млн RPM.
В этом докладе я расскажу, как мы используем инфраструктуру для удобной эксплуатации МЛ-моделей и продемонстрирую разработанную нами библиотеку, для запуска МЛ-моделей в продакшне и под нагрузкой.

Jupyter-расширения. Как сделать жизнь проще и ярче AI/ML и визуализация данных
Александр Артеменко
Яндекс Go

Работать с Jupyter приятно само по себе, но расширения могут сделать жизнь ещё проще. Например, они могут добавлять полезные магические команды или Python-функции, рендерить объекты в понятном и читаемом виде, запрашивать и сохранять данные.
Расширения особенно полезны, когда их использует вся команда. В них можно завернуть часто используемую логику.
Из этого доклада ты узнаешь:
  • как устроено простейшее расширение;
  • как добавлять новые %magic-команды;
  • делать отображение объектов в Jupyter более красивым и информативным;
  • показывать интерактивные формы и реагировать на действия пользователя;
  • делать своё "ядро" с предустановленным набором расширений.
Реализация С++-интеграции в Python на примере NeoML AI/ML и визуализация данных
Станислав Ангелюк
ABBYY

Мы разрабатываем open source-библиотеку для машинного...

Вам нужно зарегистрироваться для просмотра ссылки

Пожалуйста Войдите или Зарегистрируйтесь для просмотра скрытого текста.

or

Пожалуйста Войдите или Зарегистрируйтесь для просмотра скрытого текста.



Скачать:

Для просмотра содержимого вам необходимо авторизоваться или зарегистрироваться.

Если у Вас нет Премиум статуса:

Преимущества VIP-подписки

Оформить VIP-Подписку

 

Похожие курсы:

Сверху