Последний шанс попасть на Moscow Python Conf++ 2023
Привет, друзья!
Осталось всего несколько свободных мест для участия в профессиональной конференции для Python-разработчиков Moscow Python Conf++ 2023.
Если вы все еще думаете, пойти или нет, то сегодня — последний шанс решиться.
2 дня профессиональной программы, 20 докладов, более 500 участников, доступ в зону докладов PHDays и афтепати.
Участие бесплатное, нужно только заполнить небольшую анкету.
Получить персональное приглашение
Доклады конференции
-
Как из исходного Python-кода получить байт-код и затем обратно исходный код.
- Как JIT-компиляторы вроде Numba, Taichi или TorchJIT компилируют Python-код на лету.
Посмотрим также на побочные применения всех этих компиляторных штук и далеко не только с целью ускорить выполнение кода вместе с Василием Рябовым.
В докладе Виктории Тюфяковой (ИТ Магнит) рассмотрим:
- как следует использовать pandas и как при необходимости его ускорить;
- почему стоит использовать Feature-engine, a также как не стоит использовать streamlit;
- другое.
Применение эмбеддингов языковых моделей на всём тексте не всегда дает четкое разделение для качественного обучения под другие задачи. Периодически возникают задачи, где нужно сократить лексикон для повышения точности классификации или кластеризации текста, а постоянное дообучение fasttext не всегда возможно, тем более он не работает со словосочетаниями.
Артур Сапрыкин поделится иным способом кодирования слов и словосочетаний с помощью больших языковых моделей и словарных описаний слов и фразеологизмов. Благодаря им схожесть слов учитывается не по контексту применения, а по смыслу содержания.
В докладе Андрея Попова (Positive Technologies) рассмотрим:
- Что такое базы знаний, как они хранят информацию и чем отличаются от баз данных?
- Что такое извлечение знаний из данных и зачем оно нужно?
- Как использовать SparQL для выполнения сложных запросов базам знаний?
- Как использовать RDF и OWL для описания семантики и логики данных?
- Как создавать и использовать графы для структурирования и классификации данных?
- Как использовать ризонеры для получения новых знаний?
- Какие инструменты существуют для работы с SparQL, RDF, OWL, графами знаний и ризонерами?
Есть такая задача — анализировать новости, связанные с инцидентами в ИБ. Специалисты, которые этим занимаются, собирают списки новостей и выделяют метрики из текста. Например, кто злоумышленник, когда произошел инцидент, какие последствия или сумма ущерба и др.
Сейчас 1 аналитик тратит 5-6 недель на обработку 700 новостей в квартал. Некоторые метрики явно есть в тексте, а некоторые можно определить только по контексту.
В докладе Алсу Нурутдинова и Игорь Кабанов (Positive Technologies) расскажут, как они сделали сервис, который облегчил рутинную работу аналитиков, и как они вообще решали задачу извлечения метрик из новостей с помощью ML и не только. Разработанный сервис идентифицирует, классифицирует и извлекает наиболее важные фрагменты информации об инцидентах из неструктурированного текста, не требуя трудоемкого человеческого анализа.
Пока мы вместе ждём начала конференции, предлагаем посмотреть запись доклада предыдущей Moscow Python Conf++.
«Простой Python»: ложь, большая ложь и метаклассы
Python — это просто, говорили они. Начать программировать за месяц, говорили они. Интерпретируемый псевдокод, ничего сложного. А потом руины и легаси. Кто виноват и что делать — рассказал Григорий Петров.
Будем рады видеть вас на конференции. Регистрируйтесь!