Reunión Octubre 2018 Python-Madrid
Lanzamos el segundo meetup del curso hablando de Data Science uno de los temás que más interés está despertando en el mundo Python y en la informática en general. Tenemos la suerte de contar con dos ponentes contrastados con mucha experiencia tanto en proyectos reales como dando charlas.
Al finalizar el evento podremos compartir un rato de networking como es habitual, en un escenario único como el Campus de Princesa de la Universidad Nebrija, un antiguo cuartel reconvertido en un espacio académico.
En esta ocasión el networking estará patrocinado por Kiwi.com una compañía tecnológica checa del sector turismo que recientemente a abierto oficinas en España y en la que Python es una de las principales tecnologías.
Como es habitual es necesario apuntarse en nuestro meetup, las plazas son limitadas.
La reunión
- Cuándo: 25 de octubre de 2018, a partir de las 19:00
- Dónde: Universidad Nebrija. Campus Madrid-Princesa Calle de Sta. Cruz de Marcenado, 27 · Madrid
- Enlace mapa
Las charlas
Coding together, different ways to do so for Data Enthusiasts
Autor/es: Dimitri Herrero
En esta charla me gustaría repasar y comparar las herramientas que hay ahora para explorar datos y entrenar modelos de Machine Learning.
Si eres un Data scientist o enthusiast, seguramente estás usando Jupyter Notebooks para explorar datos. Sin embargo, a la hora de trabajar en equipo tenemos varias herramientas como Google Colaboratory, Google Datalab, Amazon SageMaker, etc. que podrían adaptarse mejor para el uso de un equipo.
Dimitri Herrero.
Tech Lead del equipo Business Intelligence en Kiwi.com. Soy originario de Rusia y he trabajado con Python durante 5 años empezando en marketing Automation team en el grupo Cyberclick. Posteriormente colaboré como full-stack developer en la web del grupo Odigeo (eDreams) y actualmente soy Tech lead del equipo de Business Intelligence en Kiwi.com.
Cuando tuvimos que reimplementar Pandas por lento
Autor/es: Guillem Borrell
Uno de los mayores placeres de Pandas es que casi por arte de magia siempre termina haciendo lo que se supone que debe hacer. Lo que todos tendemos a olvidar es que esta magia, en forma de abstracciones de alto nivel, tiene un coste enorme. Después de 6 meses de trabajo en una librería de cálculo financiero estábamos en un callejón sin salida por culpa de problemas de rendimiento. ¿La solución? Reimplementar Pandas. Bueno, como un 1% de Pandas.
Guillem Borrell i Nogueras.
Doctor en Ingeniería Aeroespacial y programador en Python (entre otros) desde antes que la analítica estuviera de moda. Después de pasar un tiempo por la industria aeroespacial me doctoré en la ETSI Aeronáuticos UPM donde utilicé Python para entender un poco más la turbulencia. Tras un par de años desarrollando un motor para riesgos financieros aterricé en Kernel Analytics donde soy Team Lead.