Отчет о встрече Python разработчиков в Челябинске

Автор: -

Не так давно, 3 февраля 2018 года, в Челябинске прошло мероприятие Python Meetup Chelyabinsk. Это вторая встреча в таком формате и проводила ее компания Antida software.  На встречу пришло около 70 разработчиков из ведущих IT компаний Челябинска. От компании Даталитика были Андрей Литвинов и ваш покорный слуга.

Спикеры и темы докладов


Ян Анисимов - Введение в нейронные сети с использованием Python

Рассмотрены основные архитектуры нейронных сетей, фреймворки и библиотеки для их реализации в среде python.
 




Дмитрий Федосеев — Практика использования setuptools

Расказ об использование setuptools для подготовки ПО к распространению




Дмитрий Никонов — Apache Airflow: как не растерять свою бигдату

Обзор архитектуры и возможностей инструмента разработки batch-процессов обработки данных - Apache Airflow 



 

Иван Громов — Кросс-доменная политика безопасности в вебе

Особенности кросс-доменной безопасности при работе с платежными шлюзами
 




Евгений Климов — Open-source СУБД глазами обычного программиста

Рассказ о плюсах и минусах различных СУБД.

 



В целом, встреча оказалась очень интересной и доклады слушались на одном дыхании. Выступления рабавлялись кофе брейками, пицей и неформальным общением. 

Формат общения всеми был воспринят крайне положительно и уже стало известно, что следущий событие состоится уже в мае.

По мере поступления информации, буду публиковать краткие обзоры событий здесь.

Спасибо за внимание. 

 

Комментарии

Отправить комментарий

Популярные сообщения из этого блога

Подготовка данных для алгоритмов машинного обучения

Автор: -
Изображение
Описание стека и некоторые вводные В нашей статье мы будем использовать язык программирования python с сопутствующими ему библиотеки ( sklearn, matplotlib, seaborn ) и в качестве среды для работы jupyter notebook . Цель текущего поста - показать общие подходы к подготовке данных. То есть, те манипуляции, которые необходимо совершить перед загрузкой данных в модель машинного обучения. В идеальном мире у вас будет абсолютно чистый датасет без выбросов или пропущенных значений. Однако в реальном мире такие наборы данных встречаются крайне редко. Далее будем рассматривать данные из Kaggle: " Mental Health in Tech Survey ". Первый взгляд на датасет и понимание его специфики Трудно работать с данными, не понимая, что они из себя представляют, поэтому давайте их загрузим и выведем некоторые статистики. import pand as as pd import numpy as np df = pd . read_csv( "survey.csv" ) df . head () Это даст нам первое представление о том, что есть наши дан
Далее...

Выбор метрики в машинном обучении

Автор: -
Изображение
Как выбрать метрики для валидации результата Machine Learning  Главные шаги по выбору метрики  Следует заметить, что метрика, которую мы оптимизируем и метрика, по которой определяем качество модели, - как правило, разные. Ниже рассмотрим метрики, которые мы в том или ином виде можем оптимизировать непосредственно в модели. За метрики, которыми мы оцениваем результат работы модели, можно принять исходные бизнес-метрики. Понимание бизнес задачи Из исходных предпосылок нужно выделить, какого типа задачу мы решаем. Основные типы задач: Классификация. Ваш алгоритм будет предсказывать тип данных из заданного множества. Например говорить да/нет/не уверен.  Регрессия. Алгоритм будет предсказывать какие-либо числа. Например, завтрашнюю температуру.  Ранжирование. Модель будет предсказывать порядок элементов. Например, нам дали учебный класс и мы должны проранжировать учеников по росту, то есть, упорядочить их от самого высокого, до самого низкого. Мы решаем задачу нахождени
Далее...

Задачи сегментации изображения с помощью нейронной сети Unet

Автор: -
Изображение
Сегментация изображений с U-Net на практике Введение В этом блог посте мы посмотрим как Unet работает, как реализовать его, и какие данные нужны для его обучения. Для этого мы будем рассматривать: Оригинальную статью Unet как источник для вдохновения. Pytorch как инструмент для реализации нашей задумки. Kaggle соревнования как место где мы можем опробовать наши гипотезы на реальных данных. Мы не будем следовать на 100% за статьей, но мы постараемся реализовать ее суть, адаптировать под наши нужды. Презентация проблемы Наша проблема это одно из Соревнований на kaggle . В этой задаче нам дано изображение машины и его бинарная маска(локализующая положение машины на изображении). Мы хотим создать модель, которая будет будет способна отделять изображение машины от фона с попиксельной точностью более 99%. Для понимания того что мы хотим, gif изображение ниже: Изображение слева - это исходное изображение, справа - маска, которая будет применяться на изображение.
Далее...