Track: Engenharia aplicada a Machine Learning

Sala: Sala 4

Dia da semana: Segunda-feira

Nos últimos anos, a tecnologia de Machine Learning obteve avanços incríveis. No entanto, existem muitos desafios de engenharia para que estes sistemas sejam criados e executados com eficiência.

Esta trilha irá explorar diversos desafios de engenharia aplicada aos problemas de Machine Learning, como processamento de Big Data, organização de Data Lakes, ferramentas e técnicas modernas para deployment em produção, arquiteturas para processamento distribuído e tratamento de streaming.

Track Host: Fabiane Nardon

Chief Scientist na Tail

Fabiane Bizinella Nardon é mestre em Ciência da Computação pela UFRGS e Doutora em Engenharia Elétrica pela USP. Liderou e lidera várias comunidades, incluindo a JavaTools Community no java.net, onde nasceram mais de 800 projetos open source. Palestrante frequente em conferências no Brasil e exterior, foi autora de diversos artigos técnicos e membro dos comitês de programa de conferências como JavaOne, OSCON, TDC, QConSP. Foi escolhida Java Champion pela Sun Microsystem, como reconhecimento de sua contribuição para o ecosistema Java. Atualmente é Chief Data Scientist da Tail, empresa que produz soluções baseadas em Data Science para o mercado publicitário e que ganhou o Duke’s Choice Award 2015.

10:50am - 11:35am

Machine Learning Design Patterns

As the practice of Machine Learning gets formalized, the community learns best practices of setting up large scale training loops and moving from development to production. In the talk, I introduce some of these design patterns, explaining the problem and the code for these patterns in Keras and Tensorflow 2.0.

Valliappa Lakshmanan, Head of Data Analytics and AI Solutions, Google Cloud

11:50am - 12:35pm

Machine Learning Workloads com Jupyter Notebooks para o ambiente corporativo

Nascido no ambiente acadêmico, o Jupyter Notebook é predominante nos ambientes de ensino e em toda a comunidade científica. Devido à ampla adoção de big data, inteligência artificial e redes neurais, o Jupyter Notebook também está entrando no ambiente corporativo, o que traz um novo conjunto de requisitos.

Nesta palestra, abordamos como integrar Jupyter Notebooks, JupyterHub, Jupyter Enterprise Gateway, Apache Spark, IPython e Apache Toree para atender os requisitos comuns a projetos de análise de Big Data e Machine Learning em ambientes corporativos, como: escalabilidade, segurança, autoatendimento, multiusuário, etc. E encerraremos com uma demonstração ao vivo destes componentes trabalhando de forma harmônica em uma plataforma de Big Data e Machine Learning open source.

4:05pm - 4:50pm

A definir

A definir

Alex Gorelik, Founder and CTO at Waterline Data

Tracks

Segunda-feira, 4 de maio

Terça-feira, 5 de maio

Quarta-feira, 6 de maio

  • Microservices: melhores práticas e padrões

    Frameworks modernos e os desafios de implantação, gestão e pós-produção

  • Software Supply Chain

    Todas as fases do ciclo de vida de um artefato de software, do primeiro commit até o deployment. Segurança, observabilidade, genealogia e gestão de toda a sua cadeia de suprimentos de software

  • Data Science aplicada

    Tecnologias e as boas práticas da ciência de dados trazendo ganho e diferencial competitivo para grandes empresas.

  • Linguagens Contemporâneas

    Linguagens e plataformas emergentes, com ênfase em linguagens projetadas para alta concorrência e sistemas distribuídos.

  • Levando sua carreira para o próximo nível

    Habilidades e estratégias para destravar sua carreira e potencializar seu desenvolvimento profissional.

  • Solutions Track #3

    Conheça soluções, ferramentas e técnicas de empresas parceiras do QCon São Paulo.