Заявки на доклады

Поиск по тегам:

DevOps, контейнеры и развертывание

Использование облачных средств разработки в распределенных коммандах

Андрей Попов

Совместная работа надо кодом является эффективным способном как улучшения качества кода, так передачи опыта внутри комманды. В то же время в последнее время всё больше разработчиков находятся на удаленной работе, комманды становится распределенным. Современные облачные средства рарзработки позвовляют повысить взаимодествие между разработчиками в распределенных коммандах. Какие проблемы можно решить перенся всю разработку в облако и сделав разработчика "тонким клиентом" для инфраструктуры разработки. Сравнителеьный анализ технологий (https://aws.amazon.com/ru/cloud9/ и https://github.com/cdr/code-server). Стоит ли это внедрять или хотя бы смотреть в эту сторону? Практические аспекты внедрения: как подводные камни, грабли ограничения, измнение нагрузки на инфраструктуру так и приемущества которые удалось получить за счет использование данного подхода. Упрощают ли облачные средства разработки жизнь python разработчику?

Программный комитет ещё не принял решения по этому докладу

Практика эксплуатации микросервисов на Python

Александр Чистяков

Современный мир накладывает ряд требований на процесс ввода приложения к эксплуатацию. Основной целью является легкость поиска и устранения проблем (в частности - с производительностью). Автор собрал небольшую лабораторию, которая позволяет ему быстро идентифицировать и устранять проблемы. Мы научимся инструментировать приложения, строить флеймграфы, использовать distributed tracing и делать правильные выводы на основе собранных данных.

Программный комитет ещё не принял решения по этому докладу

Базы данных и ORM

Асинхронное взаимодействие с PostgreSQL

Алексей Фирсов

Продолжение прошлого доклада, поговорим про то как можно взаимодействовать в БД, как ORM вносит путаницу. Посмотрим для каких задач какой инструмент взаимодействия лучше.

Программный комитет ещё не принял решения по этому докладу

ORM & plain SQL. Why not both?

Юрий Благовещенский

Многие почему-то считают, что если пишешь на ORM, то нельзя писать запросы руками. В докладе разберем, как жить в такой парадигме, когда надо использовать ORM, когда надо писать самостоятельно запросы, какие библиотеки нужны.

Python
,
Бэкенд / другое
,
Организация доступа к базам данных, ORM, собственные драйвера
,
Методы и техника разработки ПО
Программный комитет ещё не принял решения по этому докладу

Тестирование и автоматизация

Asyncio + Pytest в интеграционных автотестах

Григорьев Владислав

Использование Asyncio + Python в тестах плюсы и минусы.

Программный комитет ещё не принял решения по этому докладу

Taretto - экосистема библиотек для тестирования веб-приложениий

Дмитрий

Вам необходимо начать тестировать большое веб-приложение, но вы не знаете с чего начать. Taretto призван помочь в создании python API для ваших тестов. Это коллекция библиотек включает в себя абстракции вокруг selenium, фреймворк для навигации внутри между страницам, базовые классы для описания сущностей тестируемого веб-приложения и другие полезные штуки. Taretto не ограничивается только UI тестированием, вы также с лёгкостью можете его использовать для тестирования REST API, GraphQL и других интерфейсов.

Функциональное тестирование
,
Автоматизация тестирования
,
Интеграционное тестирование
,
Тестирование фронтенда
Программный комитет ещё не принял решения по этому докладу

Сервис для BDD-тестирования на Flask Admin

Владислав Мухаматнуров

BDD-тестирование на основе PyTest с переиспользованием кода приложения. Масштабирование процесса BDD-тестирования без предоставления доступа к коду проекта. Функциональный и компактный сервис для создания BDD-сценариев на Flask Admin и SQLAlchemy.

Фреймворки
,
Python
,
Совместная работа, система контроля версий, организация веток
,
Автоматизация разработки и тестирования
,
Работа со внешним заказчиком/исполнителем
,
Функциональное тестирование
,
Автоматизация тестирования
Программный комитет ещё не принял решения по этому докладу

Skillpub - платформа для автоматизации операционных задач на Python и публикации автоматизированных задач в корпоративных каналах коммуникации (Slack, почта, Telegram, и др.)

Антон Вячеславович Черников

Решение направлено на повышения эффективности операционной деятельности ИТ компаний/отделов.

Решаемые проблемы
- операционная нагрузка на ИТ сотрудников
- скорость реакции на инциденты
- высокая вероятность ошибки при ручном конфигурировании ИТ систем

Тренды в которых работает проект
- тренд на автоматизацию в ИТ
- тренд на перемещение операционной деятельности в корпоративные мессенджеры

Любой скрипт на языке высокого уровня (Python) без адаптации передается платформе Skillpub (www.skillpub.org), которая автоматически определяет участки кода где осуществляется взаимодействие с пользователем (ввод/вывод текстовых данных, файлов, изображений и т.д.) и строит коннекторы для данного скрипта в корпоративный мессенджер (Slack, Telegram и др.). Сотрудник выполнивший автоматизацию своей задачи передает скрипт платформе (роботу). После этого коллеги могут запросить у робота выполнение задачи, при этом будет реализован весь заложенный в задачу интерактив и коллеги получат результат выполнения задачи. Автор скрипта не думает как интегрировать в скрипт взаимодействие с корпоративным мессенджером, как контролировать доступ к задаче, как мониторить корректное исполнение задачи, как осуществлять логирование и т.д.. Все это выполняется платформой.

Такой подход позволяет вовлечь максимальное число сотрудников в процесс автоматизации и снизить до минимума трудозатраты на автоматизацию операционных задач.

В докладе будет рассказано о опыте использования платформы Skillpub в Тинькофф Мобайл.

Программный комитет ещё не принял решения по этому докладу

Тестирование производительности: конец и вновь начало

Алексей Романов

Зачем нужно тестирование производительности? Какие инструменты использовать? Как подружить инструменты тестирования с CI-pipeline и системой мониторинга?
На эти и некотороые другие вопросы я попытаюсь ответить в данном докладе, используя свой 8-летний опыт разработчика высоконагруженных сервисов на Python/Erlang/Elixir.
Я расскажу о проверенных в бою инструментах - locust, wrk, Jmeter, а также о том, как встроить эти инструмент в Jenkins и завести у себя pipeline непрерывного тестирования. Также поделюсь опытом визуализации результатов тестирования и их отображением в реальном времени(почти).



P.S. Это драфт, финальный отшлифованный вариант тезисов будет готов позже, после локального митапа (скорее всего в январе).

Python
,
Непрерывная интеграция
,
Нагрузочное тестирование
,
Автоматизация тестирования
,
QA / другое
,
Lua
Программный комитет ещё не принял решения по этому докладу

AI/ML и визуализация данных

Introducing Tartiflette: "SDL first" implementation built for Python 3.6+

Stanislas Chollet

Tartiflette is a brand new GraphQL Implementation built with and for python 3.6+, based on Dailymotion's experience of running a GraphQL API in production for 2,5 years.

We will discover the story of Tartiflette and some interesting features provided by the SDL First approach of Our engine.

Программный комитет ещё не принял решения по этому докладу

Building Deep Learning data pipelines using FaaS Back to submissions

Alizishaan Khatri

Do you marvel at the idea of production-grade Deep Learning that can scale infinitely in nearly constant time?

Using an NLP application as an example, you will learn how to design, build and deploy deep learning systems using serverless computing (Function As A Service). PS: Talk contains code!

Программный комитет ещё не принял решения по этому докладу

Все возможности JupyterHub для более чем 20 студентов или R&D команды

Петр Ермаков

Особенности и лайфхаки настройки JupyterHub для большой Data Science команды. Как правильно организовать работу на общих серверах. Даже если команда состоит из одного человек, вы вынесете новые хитрости.
Но что, если вы не один? Как ужиться на одной машине 20 студентам, изучающим ML, или RND команде из 15? Готовые рецепты, рекомендации и собранные грабли.

Программный комитет ещё не принял решения по этому докладу

Deepfake Detection using Deep Learning Methods

Semih Yagcioglu

Generating deepfakes has become much easier using Deep Learning and Computer Vision methods with the abundance of data available these days. Researchers and engineers are now pushing forward to develop robust methods to detect deepfakes. In this talk, we'll examine the characteristics of deepfakes and discuss how to develop Machine Learning models to automatically detect deepfakes.

Программный комитет ещё не принял решения по этому докладу

Mastering a data pipeline with Python: 6 years of learned lessons from mistakes to success

Robson Luis Monteiro Junior

Building data pipelines are a consolidated task, there are a vast number of tools that automate and help developers to create data pipelines with few clicks on the cloud. It might solve non-complex or well-defined standard problems. This presentation is a demystification of years of experience and painful mistakes using Python as a core to create reliable data pipelines and manage insanely amount of valuable data. Let's cover how each piece fits into this puzzle: data acquisition, ingestion, transformation, storage, workflow management and serving. Also, we'll walk through best practices and possible issues. We'll cover PySpark vs Dask and Pandas, Airflow, and Apache Arrow as a new approach.

Программный комитет ещё не принял решения по этому докладу

Сеть, бэкенд и web-разработка

Как выжить, если вам достался legacy, разработчик которого слился

Владимир Филонов

Легаси проекты это страшно. Ладно еще, когда это что-то небольшое. Но как быть, если вам принесли чудовищного спрута, всех щупалец которого даже сразу не разглядишь, а разработчики, породившие его умерли? Этот доклад - выжимка из последних пятнадцати лет спасения и похорон различных проектов. Он включает в себя пошаговые инструкции, страшные байки из жизни и ключевые штуки, которые надо проверять заранее: до того, как вы ввязались в очередную авантюру. Это теоретическая часть двухсерийного выступления, в которой я расскажу что вытаскиваю из заказчиков, на что смотрю в проектах, как оцениваю сроки. А если интересно, как я разгребаю неизвестный код на практике - приходите на воркшоп “Как разобраться в legacy коде, который вы видите первый раз в жизни”

Python
,
Управление изменениями, управление требованиями
Доклад принят в программу конференции

Очереди в Python: как приготовить салат из сельдерея, редиски и их друзей

Игорь Мосягин

Традиционно разработку на питоне принято хаять за GIL, плохую многопоточность и неудобную асинхронность. Как можно без боли добавить себе в проект очереди задач, выполнение в несколько потоко в и что вообще есть для параллельного/"многопоточного" выполнения если вас мутит от 'async def' и вам лень разбираться в чём отличия между ProcessPoolExecutor и ThreadPoolExecutor.

На лекции я рассмотрю реалистичный пример обработки долгих пользовательских запросов на примере библиотек rq, huey, и celery. Посмотрим также на текущее состояние dask и "а как там это всё делать в стандартной библиотеке"

API
,
Бэкенд / другое
,
ETL
Программный комитет ещё не принял решения по этому докладу

Статическая типизация в Django

Максим Курников

* Краткий обзор тайп-чекинга в питоне, mypy, pep484
* Как я писал библиотеку django-stubs
* С какими проблемами столкнулся в процессе
* Что еще планируется сделать
* DEP (Django Enhancement Proposal) по поводу добавления типов в core.

Программный комитет ещё не принял решения по этому докладу

О чём мечтают Java-роботы, глядя на Python

Паша Финкельштейн

Вам знаком потрясающий паттерн проектирования "Толстая Модель"? Нет, я не про бодипозитивных девушек, я про джанго-модели. За 10 лет разработки на джаве я такого не видел ни разу. Поговорим о том, как штуки делаются в джаве, как в питоне, почему это видится странно и какие есть решения.

Доклад принят в программу конференции

С двойки на тройку: как мы перешли на Python 3 за 72 часа

Кирилл Борисов

2020! Год победившего Python 3! Все больше и больше систем встает на новые рельсы, библиотеки гордо отказываются от поддержки старого языка и кажется ничто уже не остановит победную поступь новой эпохи...

Но энтузиазм разработчиков быстро угасает, когда речь заходит об апгрейде старых монолитов. Кто не морщился от мысли о копании в древнем коде? Их можно понять, ведь зачастую он состоит из сомнительных решений длиной в тысячу строчек и благих намерений многолетней давности. Часто это отвращение приводит к решению о продолжении работы над проектом с использованием Python 2.

Что же это означает на деле:

* Отказ от перехода на новые версий сторонних библиотек;
* Необходимость бэкпортить нужные куски из чужого кода на Python 3;
* Невозможность использовать asyncio и прочие прогрессивные вещи из новых версий языка.

Именно в такой ситуации оказалась наша команда, когда очередная попытка склонить менеджмент на сторону прогресса не увенчалась успехом. 50 тысяч строчек нашего продукта были mission critical, чему здесь удивляться.

Но мы не пали духом, ведь на носу был ежегодный хакатон: 72 часа, никакого контроля и бесконечный бекон! Наша команда решила воспользоваться этим шансом и перевести весь продукт на Python 3, попытавшись не нанести непоправимого урона родной компании.

Как мы это сделали? Уложились ли в сроки? Все ли остались живы??

Ответы на эти и другие вопросы вы найдете в этом докладе.

Фреймворки
,
API
,
Python
,
Бэкенд / другое
,
Логирование и мониторинг
,
Интеграционное тестирование
,
Юнит-тестирование
Доклад принят в программу конференции
Программный комитет ещё не принял решения по этому докладу

RQL: простой, но продвинутый язык фильтров для DRF

Колюбякин Максим

Django Rest Framework очень популярен, но готовые бэкенды для фильтров имеют скромный функционал. В Ingram мы любим и используем DRF, а так как у нас много сложных API, то мы хотели иметь простой, но полнофункциональный язык фильтров для запросов. Мы внимательно изучили, что есть на рынке и сделали производительную библиотеку для DRF, которая позволяет в строке браузера писать сложные логические запросы простым и понятным синтаксисом. В докладе я расскажу "почему не GraphQL?", про наши требования к библиотеке, про альтернативы и детали реализации. Покажу как работает RQL и как вы можете добавить фильтрацию в свои REST API приложения на DRF.

API
,
Python
,
Бэкенд / другое
,
Организация доступа к базам данных, ORM, собственные драйвера
,
Разработка библиотек, включая open source библиотеки
Программный комитет ещё не принял решения по этому докладу

NeuroCore - автоматизация интеграции DataSience

Дейс Тимофей

Пока не придумал
Расскажу про проект NeuroCore. EasyHosting/EasyStorage/EasyLearning ML моделей.
Стэк: python, mongo, kafka, k8s, docker.
В проекте есть все самое интересное: ML/Large Data/Highload/Microservices/K8S.
Расскажу про архитектуру, как мы делали, с какими проблемами сталкивались, как их решали. Расскажу про проблемы k8s, про docker in docker in k8s, утечки памяти, мониторинг моделей, немного про нагрузку.

Python
,
Микросервисы, SOA
,
Архитектурные паттерны
,
Отказоустойчивость
,
Разработка библиотек, включая open source библиотеки
,
Технологии виртуализации и контейнеризации
Программный комитет ещё не принял решения по этому докладу

Workshop: Как разобраться в legacy коде, который вы видите первый раз в жизни

Владимир Филонов

Легаси код бывает разный. Иногда он аккуратный, документированный и понятный. Но увы, чаще всего это не так. Разбираться в тоннах компосткода часть бывает очень больно. За годы борьбы с Legacy-проектами у меня выработался набор механик про разбору и анализу подобных чудовищ. На этом воркшопе я хочу в реальном времени разобрать проект, код которого увижу впервые, завести его и внести изменения так, чтобы гарантированно ничего не сломать. Это практическая часть двухсерийного выступления. Если интересно, что я вытаскиваю из заказчиков, на что смотрю в проектах, как оцениваю сроки - приходите на доклад “Как выжить, если вам достался legacy, разработчик которого слился”

Доклад принят в программу конференции

Язык Python, его эволюция и использование

Package and Dependency Management with Poetry

Steph Samson

Managing a Python project can be overwhelming -- one can need anything from just a requirements.txt file to an array of other files: setup.py, setup.cfg, MANIFEST.in. The question for the new or unfamiliar developer can become, when to use what and why?

Poetry, one of the newer packaging and dependency management tools, was built by the author as "the one tool to manage [my] Python projects from start to finish". This is accomplished with a single configuration file, the PEP-518-recommended pyproject.toml.

In this talk, I will show how one can get started with Poetry for their new and existing projects.

Программный комитет ещё не принял решения по этому докладу

The platform is dead, long live the platform

Luka Kladaric

Replacing a functioning backend hosting platform with shiny containerized automated goodness.

Программный комитет ещё не принял решения по этому докладу

Большой рефакторинг

Александр Полищук

Рефакторинг - обычно это слово вызывает у разработчиков некоторый дискомфорт, но рефакторинг является неотъемлемой частью разработки и часто он сопряжен с серьезными изменениями кодовой базы и не всегда это просто переписывание кода, иногда это и внедрение/обновление библиотек. В своем докладе я расскажу, как мы пришли к решению провести рефакторинг, какие ошибки ожидали нас на пути, поделюсь нашими решениями, а так же раскрою секрет - как удержаться от дикого желания переписать проект с нуля вместо рефакторинга.

Программный комитет ещё не принял решения по этому докладу

Обработка данных в функциональном стиле с mPyPl

Дмитрий Сошников

Поскольку Python является основным языком для Data Science, на нём приходится писать много кода для обработки данных. При этом зачастую это делается в императивном стиле, с использованием промежуточных переменных - что выглядит не очень изящно. Мы предлагаем использовать в задачах обработки данных функциональный стиль, который позволяет оформлять конвейеры обработки данных в виде цепочки совершаемых над ними преобразований, почти как конвейеры в операционных системах или оператор |> в F#.
Кроме того, в практических задачах часто нужно извлекать из данных целый набор признаков, которые затем будут подаваться на вход модели машинного обучения или нейросети. В этом случае удобно использовать конвейер данных с именованными полями, в которых каждая операция - это вычисление какого-то нового поля на базе уже существующих.
Для поддержки такого подхода нами была создана библиотека mPyPl (Monadic Python Pipeline library), которая поддерживает ленивые конвейеры обработки данных с операцией |, а также набор базовых операций над ними. Мы расскажем, как такой подход успешно применялся для классификации и обнаружения изображений, распознавания событий на видео, рендеринга видео, рисования когнитивных портретов и в других задачах.

Фреймворки
,
Python
,
Разработка библиотек, включая open source библиотеки
,
Архитектура данных, потоки данных, версионирование
,
Machine Learning
Доклад принят в программу конференции

Mypy и чистый код: почему тайпчекинг прокачивает вас как архитектора

Михаил Новиков

Mypy можно пользоваться по-разному. Формально это инструмент для статической проверки типов; кто-то включает его вместо юнит-тестов; кто-то называет его просто "умным линтером".

Но у mypy есть еще одно скрытое достоинство. Оно проявляется не сразу, но оказывается важнее всех остальных. Mypy хорош тем, что развивает вас как инженера и как архитектора.

Мой доклад будет про архитектурные практики: про связность, сопряжение, принципы SOLID, паттерны проектирования: про всё то, о чем в Python-сообществе не принято задумываться, - динамический язык, "мы все тут взрослые люди" и так далее. Я покажу, как mypy, шлепая нас по рукам, заставляет соблюдать эти практики и писать более качественный и поддерживаемый код.

Программный комитет ещё не принял решения по этому докладу

Getting the exact point where the people are looking by a picture

italo josé

In this lecture, we will learn about “gaze detection”, a technique that allows you to know the exact place where the people are looking inside a mono(2D RGB) picture with deep learning and how we can implement the gaze360 paper \0/

Программный комитет ещё не принял решения по этому докладу

Distributed data workflows: PySpark vs Dask

Vaibhav Srivastav

Apache Spark is a popular distributed computing tool for tabular datasets that is growing to become a dominant name in Big Data analysis today. Dask has several elements that appear to intersect this space and we are often asked, “How does Dask compare with Spark?”

This talk attempts to clear this by providing real-life use cases solved using both and walk-through numerous benchmarks done on Petabyte scale data.

Программный комитет ещё не принял решения по этому докладу

Автоматизация рефакторинга

Владимир Протасов

У меня часто возникали ситуации когда что-то нужно порефакторить, но sed и инструменты рефакторинга в IDE не решали проблему. Так появились мои первые наивные наработки по автоматизации рефакторинга. Сначала достаточно наивные, затем более сложные, но более качественные.
Расскажу как я решаю задачи автоматизации рефакторинга на примерах из жизни.

Python
,
Рефакторинг
,
Методы и техника разработки ПО
Программный комитет ещё не принял решения по этому докладу

Типы? Типы... Типы!

Виталий Брагилевский

Не секрет, что многие программисты на Python считают, что типы не нужны. Они мешают выражать свои мысли, ограничивают в возможностях, то есть просто не дают писать код. С другой стороны, разработчики на языках со статической типизацией как-то научились со всем этим справляться и вряд ли кто-то из них горит желанием избавляться от типов. В этом докладе я продемонстрирую, как богатая строгая статическая система типов позволяет разработчикам выражать свои идеи в типах и заставляет компиляторы эти идеи проверять. Будет много примеров кода на таких языках как Haskell и Idris (и даже на языках пострашнее!), поэтому будет сложно, но я попытаюсь объяснить эти примеры так, чтобы было понятно, как именно типы там работают. В частности, мы посмотрим на то, как вычисления на типах строго специфицируют Web API и отправляют данные на GPGPU, как зависимые типы позволяют использовать регулярные выражения для контроля значений переменных и реализовывать корректно работающие структуры данных, как линейные типы применяются для обеспечения гарантий корректности управления ресурсами, наконец, как типы высших порядков выражают целые классы систем сборки (да-да, это что-то про make!).

Доклад принят в программу конференции

Непростота простого Python глазами преподавателя.

Алексей Пирогов

Мнение "Python отлично подходит на роль первого языка программирования" распространено очень широко. Более того, часто можно услышать что-то вроде "Python очень простой, вы практически пишете псевдокод". Но так ли прост язык с точки зрения новичка, просто ли ему учить, достаточно ли Python хорош для роли "самого первого языка программирования"? Я несколько лет обучал языку Python в разных форматах (наставник для джуниоров, ментор, преподаватель online-курсов), успел поучить людей самых разных возрастных категорий, обладающих самым разным опытом. Хочу поделиться своими наблюдениями и опытом, а также донести до слушателя, насколько важным может быть выбор первого языка в жизни будущего разработчика, и почему так важно осмысленно подсказывать путь новичкам.

Программный комитет ещё не принял решения по этому докладу

Python on Windows, the State of the Art

Nicola Iarocci

Historically, Python coding on Windows has been kind of troublesome, but not anymore. It is now possible write awesome quality Python code, in Windows, enjoying a very pleasant development experience. This is good news for Python developers of all levels. Also, Windows now includes the Windows Subsystem for Linux, something that brings the promise to seamlessly bridge the gap between the two operating systems and opens up some interesting scenarios. In this talk I will demo how you can use tools such as VSCode, Visual Studio, and the WSL on Windows, to brew python code like a boss.

Программный комитет ещё не принял решения по этому докладу

Как сделать свою статическую проверку типов в python и зачем это может пригодиться

Кирилл Кирсанов

Статический анализ на соответствие типов – отличный инструмент, но недоступен в Python в силу его динамической природы. Однако python позволяет изобрести этот велосипед самостоятельно, да ещё и решить с его помощью ряд архитектурных проблем.

При разработке системы моделирования экономики нефтяных месторождений возникла проблема – взрывной рост сложности системы и времени прохождения тестов. Ситуации могла бы помочь статическая типизация, но её нет, а в mypy проверяет слишком мало. Для решения этой проблемы вычисления были реорганизованы в виде направленного ациклического графа (DAG) где узлами являются вычислительные модули, а ребрами – потоки данных, но его перестройки были чрезвычайно трудозатраты, а в силу юности проекта требовались регулярно.
Тогда был применен следующий подход: связи между вычислительными модулями устанавливаются не непосредственно, а через инверсию управления и задаются аннотациями типов на их методах.
Таким образом в процессе инстанцирования системы и до запуска тестов или расчётов удается построить вычислительный граф, верифицировать его на наличие циклов, проверить что все входы модулей обеспечены соответствующими выходами. Кроме того, использование DAG позволяет произвести автоматическое распараллеливание вычислений, что позволяет полностью задействовать современные многоядерные процессоры.

Python
,
Методы и техника разработки ПО
Программный комитет ещё не принял решения по этому докладу

Building Python GUI App The Modern Way

Koh Chee Xiang, Melvin

This talk will be focusing on PyWebView, a library to build cross-platform (Linux, MacOS, Windows) GUI for Python application using modern web technologies (HTML, CSS, JS).

I will be talking about why and when we should use PyWebView, in contrast with conventional GUI frameworks and Electron. I will also be describing the application architecture of apps built with PyWebView, how it works underlyingly, and the strengths and limitations of PyWebView.

I will also briefly introduce the open-source application I built with PyWebView and share my experience over the course of development.

Программный комитет ещё не принял решения по этому докладу

Cerberus or, Data Validation for Humans

Nicola Iarocci

Soon or later in their career, every programmer has to deal with data validation. Be it a web, desktop or mobile application, you just cannot avoid data validation. A robust, powerful yet easy-to-use data validation library can be a valuable tool in your toolset. Cerberus is a lightweight and extensible open source data validation library for Python. It provides type checking and other validation, transformation and normalization rules out of the box and it is designed to be easily extensible and customized.

Программный комитет ещё не принял решения по этому докладу

Extracting 3D body model from a mono(2D) pictures

italo josé

In this talk, we will learn more about DensePose, a Facebook project to map all human pixels of an RGB image, to a 3D surface of the human body in real-time \0/

Программный комитет ещё не принял решения по этому докладу

Improving your training time with a distributed training

italo josé

This talk is about how we can distribute in clusters with several workers training at the same time to improve your training time.

Программный комитет ещё не принял решения по этому докладу

Metaprogramming в Python: мечта о генерации unittestов из кода

Юлия Волкова

После очередного legacy проекта полностью без тестов, меня стала посещать навязчивая мысль. А что если можно как-то хотя бы частично автоматизировать тот процесс, который выполняю я каждый раз покрывая чужой код минимальными тестами? Так началось моё увлекательное путешествие в мир метапрограммирования, AST, синтаксического анализа и токенизации. Доклад о том, как у меня появилась навязчивая идея о генерации unittest-ов из кода, к какому алгоритму я пришла, каких результатов получилось добиться и какие уроки я извлекла, в попытках реализовать ее, а самое главное что мне это дало.

Программный комитет ещё не принял решения по этому докладу

OpenAPI: schema, tests and collaboration - one language

Tin Marković

OpenAPI is a great API specification standard to use in a multi-service environment. Schema is a great first step, but if standardized it unlocks great potential: tooling, automated tests, reuse and greater collaboration. We will go over examples of this potential and how to harness these capabilities.

Enforce your schema programmatically and use it to test your code. Reuse internal standards through your ecosystem, without consistency issues on your dependants. Examples are in Python: implementation and demonstration of some principles, and how they integrate.

The talk will present and demo Schemathesis, a tool that generates test cases for your Open API schemas. Open source, on Github.

Программный комитет ещё не принял решения по этому докладу

За что Data Scientists любят Python?

Юлия Кондратьева

Python и Data Science в наше время неразрывно связаны. Почему же так вышло, за что саентисты любят этот язык? Поговорим о преимуществах Jupiter notebooks и устроим краткий обзор популярных библиотек для чтения и преобразования данных. Также рассмотрим синтаксис базовых операций преобразования датафреймов. А на закуску немного погрузимся в DS-задачку и математику!

Программный комитет ещё не принял решения по этому докладу

Возможно, самый юный Питонист

Александр Кравченко

Очень юный программист. На данный момент - 8 лет. Прогрессирует с невероятной скоростью. Создал несколько программ самостоятельно, педагоги, которые увидели впервые - подумали, что списал, потому что не верят, что разобрался сам. Получает первый сертификат об окончании курса по обучению программированию от Московской школы кодинга. Проходит курс на платформе Степик. Хочет поделиться опытом освоения текстового языка программирования с 7 лет (до этого был визуальный язык). Надеется стать частью комьюнити.

Программный комитет ещё не принял решения по этому докладу

Useful Tips on How to Become an International Tech Speaker

Nur Harel

In this talk, I will share some useful tips on how to take your first steps in becoming an international tech speaker, as learned from my experience as a producer of various tech conferences in the past 3 years, such as AngularUP, React Next, Node.TLV and React Week NYC

Программный комитет ещё не принял решения по этому докладу

Go Beyond One-Hot Encoding: Win with those Cats

Rahul Bhatia

Categorical variables are quite common in Data Science.Properly dealing with Categorical variables is crucial for model performance.The talk will be super-practical, provide a broad view of a wide number of approaches at your disposal,and give some ideas about what to try in different situations.

Программный комитет ещё не принял решения по этому докладу

Dependency Hell

Nikita Voronov

Этот доклад — увлекательное путешествие через форматы пакетов, машинерию пакетных менеджеров и библиотек, dependency resolution и историю Python packaging. Ваш гид в этом путешествии — Грам, автор библиотеки DepHell, призванной бороться со злом.

Программный комитет ещё не принял решения по этому докладу

Rust для Python разработчиков

Юрий Благовещенский

Есть две большие причины, по которым вам стоит изучить Rust. Во-первых, это язык нацеленный на производительность выполнения. А во-вторых, на продуктивность в разработке. В докладе разберем, как перевести бекенд на него, и что он может дать вам, даже если не написать на нем production-кода.

Программный комитет ещё не принял решения по этому докладу