Desarrollador web fullstack en Autofact
3 años programando en Python y Django, 2 años haciendo clases universitarias en Python
Amante y jugador de Super Mario Kart (SNES), Killer Instinct (SNES), Crash Bandicoot (PSX) y Worms Armageddon (PC); y el tenis de mesa

¿Pip, Pipenv o Poetry?
¿Entornos virtuales?
¿ipython o jupyter?
¿Counter, groupby o df.groupby?
¿iterrows, iterruple o apply?
¿isort y black?
¿flake8 o pylint?
¿bandit o safety?
¿Unit testing, coverage?
¿Hooks en git?
¿Tangananica o tanganana?

Cuando se desarrolla software dentro de un equipo de desarrollo, existen varios elementos a considerar dependiendo del problema y del proyecto a abordar, como guías de estilo o convenciones, paquetes a utilizar, gestores de paquetes, linters, formateadores de código, aspectos de seguridad de los paquetes que se utilizan, pruebas unitarias y su cobertura para garantizar un cierto grado de calidad de nuestro código fuente, entre otros.

En Python, existe una multitud de herramientas que nos permiten ver todo esto, algunas conocidas o populares y algunas no.

En esta charla no solo veremos una forma de establecer una convención en común o flujo para forzar buenas prácticas de programación en Python de forma concreta, sino que también una correcta utilización de estructuras como listas y diccionarios junto a una correcta utilización de algunos paquetes de Python como pandas y la utilidad de algunos módulos y funciones estándar. Además, veremos las mejores formas de abordar la gestión de dependencias mediante herramientas como Poetry y la utilidad de las pruebas unitarias.

Para finalizar, veremos un par de casos reales donde se aplica todo lo anterior: un caso real laboral y un caso real de un side-project personal.

Soy Ingeniero civil en informática, dedicada a la docencia de educación superior (Universidad del BioBio, DuocUC) en áreas de programación, base de datos e inteligencia de negocios. Actualmente, me encuentro aprendiendo lo relacionado con Machine Learning y el lenguaje que más utilizo es Python; hace poco obtuve la certificación básica de IA de Huawei. Me gusta leer, armar rompecabezas, puzzles y soy fanática del sudoku y los juegos matemáticos.

Machine Learning, la rama de la Inteligencia artificial que está cobrando protagonismo; sin embargo, muchas veces, nos encontramos con una enorme de fuentes de información que podrían llegar a confundir sin saber por dónde comenzar y qué es lo que puedo hacer. Esta charla te puede ayudar a conocer una de las aplicaciones más simples para que puedas dimensionar todo el potencial que esta fascinante área tiene

Hola a todos! Soy Pamela, estudiante del doctorado en Ciencias mención Biofísica y Biología Computacional, de UV. Soy nueva en Python, comencé este año antes de ingresar al programa. Si bien mi nivel de programación es muy básico, me gustaría compartir la experiencia con quiénes estén empezando, y aprender juntos.

Los seres vivos se caracterizan por su capacidad de adaptarse al entorno, procurando realizar acciones en respuesta a los cambios del ambiente, que le permiten su supervivencia. Esta capacidad adaptativa requiere que las decisiones que toman sean lo más beneficiosas para sí mismos y su descendencia, siendo relevante conocer cómo los individuos aprenden a tomar estas decisiones y cómo se actualiza este aprendizaje mediante la experiencia, considerando que la gran parte del aprendizaje vivencial no es supervisado, y se adquiere de la interacción del agente con el entorno, en un constante ensayo y error.
Los modelos computacionales basados en el aprendizaje por refuerzo (reinforcement learning, RL), se han integrado en el diseño y análisis experimental de las respuestas conductuales y señales neuronales del aprendizaje por recompensa, permitiendo obtener nuevos conocimientos de funciones de áreas cerebrales, especialmente de la corteza y ganglios basales. Estas teorías permiten cuantificar cantidades subjetivas, como el valor o utilidad de una acción de acuerdo con la creencia o expectativa de recompensa que tiene un individuo tras realizar dicha acción, y así poder asociarlo con la actividad neuronal medida por electroencefalografía o resonancia magnética funcional de áreas cerebrales implicadas en la codificación de la señal de error de predicción y recompensa.
En las teorías de aprendizaje por refuerzo, se utilizan parámetros libres que cuantifican características individuales, como la rapidez con que se aprende, o qué tan sensible son los sujetos a la recompensa o castigo. Conocer estos parámetros individuales podría ayudar a caracterizar a los individuos y su conducta, pudiendo ser potenciales biomarcadores de alteraciones de la conducta, o ser de utilidad en el estudio del aprendizaje de ensayo y error en problemas de toma de decisiones en seres humanos. Sin embargo, no es posible cuantificar directamente estos parámetros en experimentos con seres vivos, ya que corresponden a parámetros internos del modelo, que sólo pueden ser estimados mediante métodos de inferencia estadística basados en las probabilidades de los parámetros dados los datos observados.
Para aplicar modelos computacionales de RL al estudio del aprendizaje y toma de decisiones en seres vivos, y conocer los parámetros que caracterizan el modelo, es necesario conocer las técnicas de estimación de parámetros del análisis de ensayo por ensayo de los datos observados en condiciones experimentales.
En este trabajo se mostrará la implementación del modelo de RL de actor indirecto, simulaciones en problemas de tomas de decisiones y metodología para la estimación de parámetros basado en la máxima verosimilitud (máximo Likelihood).

Omar Sanseviero es un Ingeniero de Machine Learning con 7 años de experiencia en la industria. Actualmente trabaja en Hugging Face en el equipo de Open Source democratizando el uso de Machine Learning y previamente trabajó como Ingeniero de Software en Google en el equipo de Assistant. Omar es un apasionado de la educación y co-fundó AI Learners, una comunidad de personas que buscan aprender temas sobre Inteligencia Artificial y sus diferentes aplicaciones.

¿Cómo puedes mostrar lo que hace un modelo de Machine Learning una vez que está entrenado? En esta charla, Omar enseñará cómo crear aplicaciones y demos de Machine Learning utilizando Streamlit y Gradio, bibliotecas de Python enfocadas a este propósito. Adicionalmente, Omar mostrará cómo compartirlos con el resto del ecosistema Open Source. Aprender a crear interfaces gráficas para los modelos es algo extremadamente útil para todas las personas interesadas con el modelo. Crear estas interfaces también facilita compartir tu trabajo con el resto de la comunidad. Algunos ejemplos de estos demos son:
- https://huggingface.co/spaces/flax-community/dalle-mini
- https://huggingface.co/spaces/flax-community/chef-transformer
- https://huggingface.co/spaces/nielsr/LayoutLMv2-FUNSD

Marco Muñoz, Ingeniero informático y Master es Dirección Comercial y Marketing. Actualmente es CEO de IT-Talent headhunter senior TI, una de las empresas más importante en el reclutamiento de profesionales informáticos en el país. Fanático de la Videojuegos, Tecnología y Star Wars. Se ha desempeñado en diferentes cargos TI en empresas como Entel, Banco Estado y Telefónica.

Analizando a más de 5000 profesionales TI, esta charla presentará una comparativa de salarios, adopción tecnológica y posicionamiento en diferentes países en Latinoamérica.

Lideró el equipo de datos de Enveritas, una startup sin fines de lucro respaldada por YCombinator. Estudié computación en el pregrado, trabajé para un centro de investigación del MIT, he sido consultor del Banco Mundial, e hice un master de economía en Harvard. La estadística bayesiana me hizo reenamorarme de la estadística, y me gustaría que más gente aprenda sobre cómo sacarle provecho.

PyMC3 es una librería de Python que permite crear modelos estadísticos usando una sintaxis intuitiva. La idea de esta charla es dar una introducción a PyMC3 para motivar lo poderoso de los modelos bayesianos.

Ricardo es Profesor de la Escuela de Diseño, también ha enseñado en la Escuela de Ingeniería UC. Es director del Diplomado en Visualización de datos de la Escuela de Diseño UC, con intereses en Programación Creativa, Artes Mediales, Visualización de Datos, Sistemas Complejos, y muy interesado en el valor del trabajo transdisciplinar para abordar los desafíos del mundo actual y futuro. Es director del Proyecto C80 sobre la constitución chilena. Lleva un tiempo programando y con Python alrededor de 3 años, principalmente en temas de arte y diseño visual.

Las herramientas de programación, creadas inicialmente para abordar problemas en ciencias e ingenierías, hoy están presentes en diversas áreas del quehacer humano.
Durante décadas, artistas y diseñadores se han apropiado de estas herramientas para realización propuestas creativas. Hoy los lenguajes de programación disponibles se han diversificado, lo que junto a la disponibilidad de abundante contenido online ha facilitado el acercamiento de nuevos creadores al trabajo con programación, conformando comunidades globales de personas cuyo principal medio de expresión y producción se basa en la escritura de programas de computación para crear imágenes, animaciones, música, etc.
Sin embargo, estas experiencias no han tenido una difusión más amplia, lo que sumado al temor que genera iniciarse en programación en los no expertos, dificulta ver el potencial de exploración. Incorporar el uso de lenguajes de programación en las prácticas de las disciplinas creativas pueden abrir interesantes oportunidades, no solo como herramientas eficientes, sino que también en respecto a las posibilidades que ofrecen para iniciar exploraciones estéticas y conceptuales para expandir el campo de trabajo.

En esta presentación se comentará sobre el uso de herramientas de programación para la creación en arte y diseño, y por qué artistas, diseñadores, poetas y músicos deben perder el temor y atreverse a programar.
En este sentido, Python puede ser una gran ventana para empezar.

Soy informática, y actualmente soy profesora de la Escuela de Ingeniería en Informática de la Universidad de Valparaíso. Me encanta Python, y lo uso desde mis estudios de pregrado, luego como profesora de Programación, y durante todos mis estudios de postgrado. Actualmente, uso Python para el desarrollo de algoritmos de aprendizaje automático aplicados al análisis de datos de física de partículas y procesamiento de imágenes médicas.

La clasificación de datos es una de las tareas más frecuentes en el contexto de aprendizaje automático y consiste en asignar una categoría o etiqueta de clase a cada dato. Sin embargo, cuando hay desbalance de clases, es decir, la clase de interés tiene muy pocos datos en relación al resto de las clases, el clasificador tiende a fallar, y es necesario aplicar técnicas para lidiar con este problema de desbalance.
En esta charla hablaré sobre el problema de desbalance de clases y su importancia en problemas de datos reales. Les mostraré cómo visualizar los datos desbalanceados, y lo más importante, les enseñaré a enfrentar el problema usando Python, programando de forma simple métodos que abordan el problema a nivel de datos y del algoritmo.

El temario planificado es:
1. Tarea de Clasificación
2. Problema de Desbalance de Clases
a. ¿Por qué falla mi clasificador?
3. Ejemplos reales
a. Desde fraudes bancarios a eventos de física de partículas
4. Usando Python
a. Visualización
b. Abordando el desbalance a nivel de datos
c.Abordando el desbalance a nivel de algoritmo
5. Desafíos

Ingeniera Informática - Universidad Mayor de San Simón - Bolivia, Maestrante en Universidad Internacional de La Rioja - España, Líder Organizadora de Comunidad PyLadies Cochabamba, Instructora en Cisco Networking Academy, Programando en Python 2 años por hobbie, Me gusta el arte, la programación y el diseño. Soy apasionada por la enseñanza y aprendizaje de diversas áreas.

Se realizará paso a paso el proceso para convertir imágenes en información utilizable, filtrarla y procesarla mediante algoritmos de Inteligencia Artificial enfocado al procesamiento de imágenes mediante la librería de código abierto OpenCV de Python, con ello se mostrará el flujo de procesos necesarios para entender de manera sencilla la secuencia necesaria para reconocer figuras e información básica de las imágenes.

Soy ingeniero de Software@ICRAR/UWA, trabajando en distintos temas de computación de alto rendimiento en astronomía.

El Square Kilometer Array, SKA, comenzó a ser oficialmente construido el 1 de Julio del 2021. El SKA consistirá en miles de antenas parabólicas, y cientos de miles de antenas de apertura desplazadas en Sudáfrica y Australia, respectivamente. Las señales de estas antenas producirán un flujo de datos de alrededor de 500 GB/s, los cuáles deben ser procesados en tiempo real. Python es un componente fundamental en este proceso, incidiendo en los programas de procesamiento, como en el control y monitoreo de la infraestructura necesaria para llevar a cabo estas tareas. En esta charla exploraremos cómo el SKA usa Python, y otras tecnologías asociadas, para resolver éstos y más problemas.

Ingeniero en Sistemas de Información, hace 6 años que trabajo en MercadoLibre. Actualmente me desempeño en el equipo de Machine Learning Plattform, en donde construimos herramientas para los desarrolladores de Machine Learning. Me apasiona el desarrollo de software en general, me gusta estar en un constante aprendizaje de nuevas tecnologías y buenas prácticas de programación.

En nuestro día a día como desarrolladores nos solemos encontrar con la problemática de tener que mejorar la performance de nuestro código y para este tipo de tareas uno de los pilares es poder medir y en base a ello poder tomar decisiones de optimización. En esta charla conoceremos algunas reglas básicas de la optimización, luego abordaremos el concepto de profiling y cómo python nos permite aplicarlo tanto en CPU como en memoria. Por último, compartiré experiencias de realizar este tipo de tareas en arquitecturas de alta escala como las que tenemos en MercadoLibre.

Hola! Soy Fede. Estudié las licenciaturas en Economía y Matemáticas aplicadas en el ITAM, México. He trabajado para el Banco de México, Banorte (en el área de anaĺítica), en Abraxas (una consultora de ciencia de datos) y actualmente en Nixtla, donde buscamos democratizar el uso de modelos estado del arte para series de tiempo usando machine learning y deep learning. Estoy interesado en el modelado de series de tiempo y sus aplicaciones. Co-desarrollador de nixtlats.

Descripción:

El pronóstico de series de tiempo tiene una amplia gama de aplicaciones: finanzas, retail, salud, IoT, etc. Recientemente modelos de deep learning como ESRNN o N-BEATS han demostrado tener performance estado del arte en estas tareas. Nixtlats es una librería de python que hemos desarrollado para facilitar el uso de estos modelos estado del arte a data scientists y developers, para que puedan utilizarlos en ambientes productivos. Escrita en pytorch, su diseño está enfocado en la usabilidad y reproducibilidad de los experimentos. Para ello, nixtlats cuenta con diversos módulos:

Data: contiene datasets de diversas competencias de series de tiempo.
Models: incluye modelos estado del arte.
Evaluation: posee diversas funciones de pérdida y métricas de evaluación.

Objetivo:

- Introducir a les asistentes a los retos del pronóstico de series de tiempo con deep learning.
- Aplicaciones comerciales del pronóstico de series de tiempo.
- Describir nixtlats, sus componentes y las mejores prácticas para entrenamiento y despliegue de modelos estado del arte en productivo.
- Reproducción de resultados estado del arte usando nixtlats del modelo ganador de la competencia M4 de series de tiempo (ESRNN).

Repositorio del proyecto: https://github.com/Nixtla/nixtlats.

Luis Falcón es un médico, científico de la computación y activista español. Obtuvo el título en Ciencias de la Computación y Matemáticas en California State University, Northridge (USA) y de Medicina en el IUCS, Buenos Aires (Argentina). Obtuvo un Masters en Genómica y Genética Médica por la Universidad de Granada (España). Luis es un activista social y de los derechos de los animales. Es el fundador GNU Solidario, ONG que focalizada en Medicina Social. Es el autor de GNU Health (www.gnuhealth.org), el ecosistema de salud digital de Software Libre. Luis Falcón es disertante invitado en congresos internacionales relacionados con el Software Libre, la informática Médica y la Medicina Social.

En la charla hablaré de MyGNUHealth - componente del ecosistema GNU Health - la aplicación de gestión de salud personal para escritorio y dispositivos móviles libres.

MyGNUHealth es una aplicación desarrollada en Python (PySide) y Qt, cuya funcionalidad abarca los componentes bio-psico-social de la salud: Desde el registro de actividad física, nutricional, signos vitales y valores antropométricos, hasta los determinantes sociales de la enfermedad, genética médica y medicina de precisión.

Hablaremos sobre la historia del proyecto, la infraestructura tecnológica y la comunidad, así como la importancia de adoptar Software Libre en la salud, especialmente en aspectos de soberanía tecnológica, ciencia abierta y privacidad.

Acerca de GNU Health:
GNU Health es un proyecto social que utiliza tecnología para mejorar el acceso y la gestión de la salud a nivel individuo, profesional, institución académica, de investigación y gobierno. GNU Health es un proyecto de la ONG humanitaria GNU Solidario, focalizada en la medicina social.
GNU Health ha sido adoptado por organizaciones como la Universidad de Naciones Unidas (International Institute for Global Health), Cruz Roja (México). GNU Health se ha implementado en muchos países de Asia, Africa y Latinoamérica, desde clínicas, grandes hospitales, laboratorios de enfermedades infecciosas y sistemas de salud pública a nivel nacional. En el contexto de la pandemia de COVID-19, GNU Health ha sido elegida en países como Argentina como observatorio en tiempo real COVID. La Federación de GNU Health y sus componentes (Gestión Hospitalaria, laboratorio, epidemiología, sistema de gestión de salud personal - MyGNUHealth- , bioinformática, GNU Health embedded,..). En GNU Health combinamos la medicina social y los determinantes socioeconómicos de la salud con los últimos avances en bioinformática y genética médica, en la investigación sobre cáncer, enfermedades raras y medicina de precisión.

¡Hola! Me llamo Rodrigo Tesone. Estudio Lic. en Física y empece a programar (¿seriamente?) en Python a principios de año. Soy un apasionado de las matemáticas, el análisis de datos y de resolver problemas.

La idea seria tocar una serie de temas (no necesariamente en este orden):

* Aplicaciones del analisis de datos
* Conceptos de datos abiertos
* Discutir relación entre politica y tecnologia
* ¿Como esta Chile en la cuestión de datos abiertos?
* Aplicación del analisis de datos a datasets del gobierno Chileno (https://datos.gob.cl/)

Memorista de la UTFSM con 4 años de experiencia en Python. Python lover apasionado por la música, inteligencia artificial y videojuegos. Creador de una comunidad online para la carrera de Ingeniería Civil Informática en la UTFSM utilizando Discord.

Discord es una plataforma de comunicación cuya popularidad ha explotado en los últimos meses. En los servidores es posible encontrar diversos bots que interactúan con los miembros de varias formas: minijuegos, moderación, tickets de soporte, mensajes de bienvenida, etc. En mi charla presentaré a Discord como aplicación de comunicación y cómo la utilice para crear un servidor dedicado a la comunidad estudiantil de pregrado de Ingeniería Civil Informática. Luego introduciré el bot que desarrollé desde cero en Python para darles funcionalidades exclusivas al servidor y presentaré un listado de comandos y acciones que este bot realiza. Espero que al finalizar la charla se centre la atención en un área no tan popular, desde mi perspectiva al menos, de Python y que los asistentes se motiven a meter mano en Discord y desarrollar un bot para sus comunidades. Estoy seguro que varios asistentes estarán familiarizados con la aplicación.

PC: Master of Engineering Northwestern University, Magíster en Ciencias de la Ingeniería, UC Chile. Co-fundador de Metric Arts (recientemente adquirida por EY). Además, se desempeña como profesor en la UC Chile. Ingeniero destacado UC 2017 y MVP de Microsoft desde 2016

RG: PhD en Astrofísica UC Chile, Postdoc en Computational Cosmology & HPC University of Chicago USA. Astroinformático y científico de datos. En EY ha liderado soluciones en Visión Computacional, Machine Learning y Big Data, también se desempeña como profesor en la UC y asesor en temas de transferencia tecnológica.

Chile es en muchos sentidos un gran laboratorio natural para la ciencia. En particular en astronomía, cuenta con condiciones únicas para lograr mediciones de alta calidad, en donde se alberga sobre el 55% del área de telescopios reflectores en el mundo. Además de estas condiciones, es también necesario una alta excelencia en la operación de los telescopios, para asegurar la confiabilidad de los equipos, y el aprovechamiento óptimo de las noches de observación disponibles. Con estos objetivos, y a través de una colaboración entre ESO, EY y Microsoft, se desarrollaron dos experimentos de aplicaciones de la nube y la Inteligencia Artificial, para mejorar la operación y trabajo científico del observatorio Paranal para sus telescopios VLT y el Extremely Large Telescope ELT que próximamente entrará en operación.

Soy Lic. en Administración de profesión que luego de trabajar en RH para empresas de TI decidió convertirse en programador en 2018. Trabajé en Platzi durante 3 años en cargos relacionados a ayudar estudiantes y dirigir cursos de tecnología. Actualmente me desempeño cómo QA Automation Engineer utilizando Python.

Python es uno de los lenguajes de programación mejor organizados y esto permite que cada nueva versión aporte valor a sus usuarios al mismo tiempo que hace amigable su adopción entre experimentados y novatos.

Por ello programar algo en Python y que se vuelva funcional para resolver algún problema de la vida cotidiana es relativamente fácil y genial. Aun así esto puede ser un arma de doble filo si no se enseña correctamente lo que hay más allá de la sintaxis, métodos y el core de su lenguaje teniendo como consecuencia permanecer como un desarrollador novato sin subir el nivel de profesionalismo.

Para esto Python cuenta con una serie de buenas prácticas que permiten convertir un script de "pica teclas" vuelto un "spaghetti" a una pieza digna del Zen de Python. Algunas de las mencionadas en la charla son: formato del código y herramientas para formateo ágil; qué es un "code smell", cómo identificarlo y no confundirlo; y por último cómo escribir código pythonico.

Hay muchas más prácticas, pero estas son las primeras para comenzar el camino a un nuevo nivel profesional.

Soy Argentino, nacido en Tucumán. Ingeniero en Sistemas (UTN FRT) y Master en Management + Analytics (UTDT). Trabajo hace más de 3 años en el mundo de los datos y actualmente me desempeño como Data Engineer en Mutt Data. Fanático de San Lorenzo de Almagro. Amo viajar y conocer mi país!

En esta charla presentaré cómo hacer de manera práctica y profesional la creación de un pipeline de datos consumiendo datos públicos y transformándolos para entrenar un modelo de machine learning, para luego cargar los datos resultantes en una base de datos y así realizar el trackeo del entrenamiento de modelos y sus métricas. Esto realizo en mi trabajo en el día a día.

Algunas de las herramientas que utilizaremos:
Poetry
Pandas
Apache Airflow
PostgreSQL
SqlAlchemy/Alembic
MLflow
Docker-compose
Apache Superset

Eduardo tiene una maestría en ciencia de datos por la Universidad de Columbia, donde realizó investigaciones en neurociencia computacional. Comenzó su carrera en ciencia de datos en 2015 en el Centro de ciencia de datos y políticas públicas de la Universidad de Chicago. Actualmente trabaja como científico de datos en Boston, aplicando machine learning en la industria financiera.

Jupyter prevalece entre los científicos de datos porque proporciona un entorno para explorar los datos de forma visual e interactiva. Sin embargo, al desplegar un proyecto, debemos asegurarnos de que el análisis sea repetible y pueda correr en un entorno de producción como Airflow o Argo; esto hace que los científicos de datos tengan que mover su código de un lado a otro entre sus cuadernos de Jupyter y estas herramientas de producción. Además, los científicos de datos tienen que dedicar tiempo a aprender una librería desconocida, lo que retrasa el proceso de despliegue.

Ploomber resuelve este problema proporcionando:

1. Un orquestador que infiere automáticamente el orden de ejecución de las tareas mediante análisis estático.
2. Una plantilla base para iniciar proyectos.
3. Un entorno de desarrollo integrado con Jupyter.
4. Capacidad para exportar a sistemas de producción (Airflow y Argo) sin cambios de código.

Esta charla desarrolla e implementa un proyecto de Machine Learning en 20 minutos para demostrar cómo Ploomber agiliza el proceso de desarrollo e implementación de Machine Learning.

GitHub: https://github.com/ploomber/ploomber

Soy educadora en tecnología, programación y robótica, mentora en programas que fomentan que niños,niñas y jóvenes se integren al mundo del coding, me apasiona enseñar y creo que la programación abre muchas puertas. Soy expositora y facilitadora en varios eventos en temas relacionados con educación y tecnología, tengo certificacion Google educador nivel 1y 2 , además de ser instructora de python en Cisco.

La introducción a la creación de historia siempre ha estado alejada de la programacion, aunque en la industria de los vídeojuegos si incluye la creación de narrativa introducirse en el mundo de la programacion contando historias puede ser fantástico. Renpy logra unir ambos mundos. Narremos una historia programándola. Hablaremos de Narrativa, Diseño y Programación

Durante la presenta charla, veremos en tiempo real, lo simple que es desplegar una aplicación Flask hacia Azure Kubernetes Services, usando integración continua con GitHub Actions. Todo el ejercicio de la sesión, será compartido en GitHub

Trabaja en Microsoft Chile como Arquitecto Cloud en Analítica avanzada e Inteligencia Artificial, especialista en Business Intelligent, AI y Machine Learning, apoyando a Socios y Clientes de Microsoft. Graduado en tecnología Informática, postgraduado en Big Data en I.T.B.A (Instituto Tecnológico Buenos Aires), Diploma Data Science y actualmente finalizando Magister en Data Science en UDD (Universidad del Desarrollo Chile). (2018-2021). Con experiencia implementando soluciones analíticas y de Inteligencia artificial en distintas industrias, como financiera, retail, manufactura, minería y sector público. Apoya activamente a varias comunidades técnicas en Latino America, como organizador o speaker, principalmente en temas de Data Science, Quantum Computing, Plataformas de Datos. Hobbies: Internet de las cosas (experimentos con sensores, Arduino, Raspberry Pi) , uniendo temas de modelos entrenados de ML en estos dispositivos, con Robótica. Recientemente iniciando en el mundo de la astrofotografía y la observación del cielo profundo y procesando imágenes de galaxias, constelaciones.

Azure Machine Learning on the Edge en sistemas embebidos está cambiando la perspectiva de cómo crear los endpoint de inferencia para escenarios de baja latencia. Descubra cómo se implementan los modelos TinyML en microcontroladores de bajo costo y bajo consumo. Cuáles son los Framework que la industria está utilizando y como se integran los servicios en Azure.

Soy Ingeniero Civil Colombiano con maestría en Hidroinformática y maestría en Ingeniería Sanitaria. Desde el 2014 descubrí la pasión por la ingeniería de software, el desarrollo y la ciencia de datos que me llevó a colaborar en diferentes proyectos de código abierto con Python, y eventualmente a unirme a Anaconda, Inc en 2015. Actualmente y desde hace 2 años trabajo como Ingeniero de Software Senior con Quansight, Inc. Soy desarrollador (core) con el proyecto Napari y el proyecto Jupyter y desde 2015 lidero y ayudo con la organización de Python Colombia, Django Girls Colombia y otras comunidades locales de desarrollo.

¿Cómo podemos crear herramientas de código abierto y hacer que lleguen a un público más amplio? ¿Cómo deberían funcionar las interfaces de usuario para proporcionar una experiencia nativa e inclusiva para la gran mayoría de usuarios? El objetivo de esta charla es explicar y aclarar la diferencia entre los términos de traducción, localización, internacionalización y globalización. Cubrirá algunos antecedentes sobre los temas en torno a las preguntas iniciales, pero específicamente se hablará en el tema de la localización, destacando la importancia de proporcionar localización para las herramientas y el ecosistema de código abierto en general. Se discutirán en un alto nivel ejemplos de cómo los proyectos JupyterLab y napari resuelven estos problemas y cómo los desarrolladores y autores pueden proporcionar localización para sus extensiones.

Mostraremos algunos ejemplos en Python (napari) y TypeScript (JupyterLab) de cómo las herramientas manejan las especificidades de diferentes lenguajes Y finalmente invitaremos a la comunidad a unir fuerzas para ayudar a localizar JupyterLab a más lenguajes utilizando tecnologías de *crowdsourcing*.

# Contenido

## Introducción

- ¿Qué es la traducción?
- ¿Qué es la localización?
- ¿Qué es la internacionalización?
- ¿Que es globalizacion?
- ¿Porque es esto importante?
- ¿Por qué es esto importante para el código abierto?

## Idioma y código fuente

- Pluralización
- Género
- Contexto
- Interpolación

## Herramientas y los estándares

- Unicode (CLDR, ICU)
- Sistemas GetText / ICU / FLUENT
- Formatos de intercambio: POT / PO / MO / JSON / XML

## Localización en napari y JupyterLab

- ¿Como funciona?
- Usuario: ¿Cómo se puede utilizar?
- Desarrollador: ¿Cómo se puede ampliar?

## ¿Que sigue?
- ¡Ayude a localizar las herramientas de JupyterLab!
- ¿Como puedes ayudar?
- Localización de crowdsourcing: Crowdin

El código abierto necesita democratizar aún más las herramientas, la documentación y el ecosistema general que las rodea para el mundo que no habla inglés. Al hacer esto, se llega a una audiencia más amplia y diversa que, a su vez, proporciona una puerta para que un grupo más diverso de usuarios se conviertan en contribuyentes. En este contexto, la localización es un paso necesario para mejorar la diversidad y la inclusión de proyectos de código abierto.

Los proyectos JupyterLab y napario, dónde trabajo como desarrollador, se utilizan como ejemplos de cómo se puede abordar esto y se presentan las herramientas disponibles para localizar extensiones.

**Conclusiones clave**

- Comprender la diferencia entre los conceptos de traducción, localización, internacionalización y globalización.
- Entender la importancia de la localización en la diversidad y la inclusión en código abierto.
- Conocer sobre los estándares y las herramientas gettext, ICU, Fluent y cómo se utilizan.
- Conocer qué formatos y herramientas existen para intercambiar información de localización.
- Comprender cómo funciona la localización dentro de JupyterLab y napari.
- Obtener información sobre las plataformas en línea para contribuir y la localización colaborativa y cómo diferentes proyectos aprovechan Crowdin para esto.

CPU: Estudiante de Ing. Civil Informática en la Universidad de Concepción. 2 años programando con Python, contribuyendo al desarrollo Open Source y participando activamente en hackathones o eventos afines.
RFF: Soy estudiante de primer año Ingeniería Civil Informática en la Universidad Técnica Federico Santa María. Aprendí a programar con Python en cuarto medio y actualmente soy parte de Octa Aerospace, en donde trabajamos en el desarrollo de nanosatélites. Me gusta mucho crear cosas nuevas, leer, escuchar música y la naturaleza. Además, me encanta compartir mis conocimiento y motivar a otros a emprender su camino.

Se explicarán las nociones del funcionamiento de nanosatélites, el rol que Python cumple durante su desarrollo, y cómo esto se aplicó para desarrollar el nanosatélite tipo cansat más avanzado a nivel nacional. Temario de la charla:
- Problemas del desarrollo científico en Chile
- Breve Introducción a los Nanosatélites
- Python: Programando un nanosatélite
- Python: Ejemplos de Dashboards
- El origen de Octa Aerospace
- Educación satelital
- Los efectos de la comunicación en equipo
- Q&A

Agustín Salas es certificado Python PCAP, de profesión ingeniero en informática, Magister(x2) y DR(c).
Disfruta implementando herramientas para ethical hacking como: https://github.com/lesandcl/Llaitun entre otras.
Más recientemente ha utilizado sus conocimiento en el ámbito de python para generar estratégias de defensa.

Un ataque de día cero consiste en la utilización de vulnerabilidades no divulgadas para comprometer la seguridad de un sistema mediante un exploit apropiado. Por el contrario, cuando se hace una divulgación responsable, un proveedor parcha su sofware y procede a liberar la versión parchada. Algunos agentes maliciosos son capaces de rastrear el cambio y desarrollar el exploit mediante el análisis del parche para explotar la vulnerabilidad en la versión anterior del sofware. La ventana que se produce entre la liberación de una nueva versión de un software y el parchado es una oportunidad para los atacantes. Acá aprenderemos a entender la lógica del ataque de día 1 y desarrollar un ataque mediante python.

En el ámbito de la ciberseguridad es importante entender el cómo piensan y actúan los atacantes con el fin de poner a funcionar todas las estrategias necesarias para asegurar las organizaciones.

1.-Introducción
2.-Conceptos básicos
3.-Software vulnerable
4.-Software parchado
5.-Construcción de exploit
6.-Conclusiones

Hola, mi nombre es Jorge Anais y soy astrónomo. Obtuve mi maestría en la Universidad de Antofagasta estudiando cúmulos de estrellas jóvenes mediante la aplicación de técnicas de aprendizaje de máquinas. Aprendí a programar en la U, y desde entonces me gusta programar, especialmente trasladar temas de astronomía a código.

Los cúmulos abiertos son objetos fundamentales para entender los procesos de formación
estelar y la estructura y evolución de la Galaxia. Para el estudio de estos fenómenos, se
requiere una muestra grande y homogénea de ellos que permitan superar las incertidumbres
asociadas con la parametrización de los cúmulos estelares como tal. Sin embargo, el censo
de estos objetos no está completo. La búsqueda de cúmulos es un problema difícil en nuestra Galaxia debido a la alta extinción y aglomeración de fuentes en el disco Galáctico, además del gas y polvo que envuelven a estos cúmulos jóvenes.

Siguiendo los descubrimientos de cúmulos abiertos con poblaciones de estrellas masivas
en el lado cercano de la barra Galáctica, este trabajo tiene por objetivo buscar este tipo de
cúmulos en el lado lejano de la barra. Para ello, hemos desarrollado un algoritmo basado
en técnicas de aprendizaje de máquinas no supervisado, llamado Apolo, el cual permite la
identificación de sobredensidades en el espacio de parámetros compuesto por posiciones en el cielo, movimientos propios y fotometría en el infrarrojo cercano usando datos de VVV,
2MASS y Gaia.

Como resultado fue posible caracterizar por primera vez utilizando fotometría infrarroja
y movimientos propios la población masiva de los tres cúmulos actualmente reportados en
el lado lejano de la barra Galáctica: [MCM2005b]81, VVV CL074 y VVV CL086.

En este charla podrás aprender una aplicación de ML y Python a datos astronómicos que son de acceso público.

Mi nombre es Javier Diaz Valderrama, soy estudiante de 3er año de Ingeniería Civil Biomédica de la universidad de Valparaíso, y fundador BrailleGo, un dispositivo para la enseñanza del sistema braille. Poseo 5 años de experiencia de programación en Python y actualmente lo aplico principalmente para mis hobbies.

En esta charla se analizara qué es la visión por computadora y como con Python, y algunas librerías se puede, de manera sencilla, generar un proyecto llamativo como lo es el desarrollo de una mano robótica controlada mediante la captura en vivo de los movimientos de una mano humana.

Temario:
1) Aplicaciones de la visión por computadora (vision artificial)
2) Uso de CvZone y OpenCV para el desarrollo de una mano robótica.

Usando Python desde el 2008 para desarrollar software para análisis numérico, machine learning y data science. He tenido la suerte de estar permanentemente ligado a la educación: estudié en tres países distintos y actualmente trabajo como Chief Data Officer en www.uplanner.com

Conocí esta librería hace menos de 6 meses. Cuando la usé, tuve la misma impresión que cuando conocí numpy, pandas o scipy por primera vez: “¡¡¡Yo sabía que tenía que existir una manera simple de hacer esto!!!”.

¡Comencé a usarla para todo!

Streamlit permite desarrollar aplicaciones web de alta calidad, sin tener que saber de diseño, html o javascript. Una página web se crea conectando componentes existentes en python, con muy poco código pero con un impactante resultado. En un solo click, puedes desplegarla y tenerla online, lista para compartir. Usé streamlit para portar una página web desde flask, reduciendo y simplificando el código. Otro de mis streamlit, que permite graficar funciones arbitrarias tipo xkcd, salió destacado en el Weekly Roundup.

Esta charla enseñará a los asistentes a usar la librería streamlit, a través de la creación paso a paso de una aplicación web durante la presentación. Revisaremos porqué usar streamlit, cómo usarla, ventajas y desventajas, cómo crear la primera aplicación, y diversos consejos para sacarle el máximo provecho.

Ingeniero en Electrotecnia convertido en desarrollador de software. Actualmente desarrolla aplicaciones móviles con Flutter y Firebase para OntoLabs, es instructor y desarrollador con Python y Django. Ha traducido el Módulo Python 3 de la Semana al castellano.

El usar contenedores Docker para el desarrollo y posteriormente para el despliegue de aplicaciones es una práctica cada vez más común. El uso de contenedores no sólo simplifica el poder tener el mismo entorno durante el desarrollo y al momento de desplegar la aplicación en producción, sino que también hace posible que las pruebas se ejecuten en el mismo entorno en el que se desarrolló y se desplegará la aplicación, reduciendo las posibles sorpresas.

Luego de una corta excursión a los contenedores Docker, y a pytest, en esta charla se presenta el desarrollo una aplicación, la ejecución de las pruebas unitarias y de integración y finalmente el despliegue en producción en contenedores Docker.

Una aplicación Web simple con Django, una interfaz REST y que usa una base de datos PostgreSQL sirve de ejemplo para mostrar el uso de pytest, Docker y docker-compose para ejecutar todas las pruebas en un entorno prácticamente idéntico al de desarrollo y al de producción.

Al concluir se presenta una alternativa que proviene del mundo Java: testcontainers.

Estudio el doctorado en ciencia de la computación, me apasiona saber más del aprendizaje de las máquinas a través de las redes neuronales artificiales, ahora en el posgrado estoy orientando mi investigación a datos de análisis forense. Voy usando Python un poco más de 3 años, su versatilidad y código libre me motivó a aprender y enseñar más de este lenguaje en grupo con otras amigas, así surgió PyLadies Arequipa donde impulsamos la participación de más mujeres en tecnología y programación.

Podemos resumir el proceso de entrenamiento de una red neuronal en pocos pasos escenciales, inicialización/actualización de pesos, propagación hacia adelante, función de pérdida y propagación hacia atrás, durante este ciclo ocurre una serie de cálculos matemáticos, el paso central para el aprendizaje de tu red neuronal es el cálculo de las gradientes y es aquí donde la librería PyTorch demuestra que puede facilitarte la vida programando en inteligencia artificial, ¿pero como lo hace?, veremos como la librería toma ventaja de una estructura dinámica para los cálculos necesarios.

¿Qué debemos saber de Pytorch? - 5min
¿Pasos escenciales del entrenamiento de una RNA? -5min
Lo necesario de PyTorch para armar una RNA - 8min
Conclusiones - 2min

Application Security Engineer @ Chartmogul

Cuando leemos un artículo sobre una vulnerabilidad de seguridad explotada en un sistema X, imaginamos qué tipo de error cometió el desarrollador para insertar tal fallo. El problema es que a veces no hay un fallo relacionado, pero si cierto patrones que pueden ser abusados y desembocar en un problema de seguridad.
En esta charla revisaré ciertas implementaciones de software, a todas luces correctas, pero que pueden propiciar escenarios de seguridad complejos. Estas vulnerabilidades fueron encontradas haciendo revisiones de código en proyectos open-source.

Soy Head de Data Science en Python, llevo 6 años trabajando como Data Scientist y me apasiona el Machine Learning. Soy también Docente de la carrera de Machine Learning en la Academia Desafío Latam y tengo experiencia trabajando dando webinars relacionados a Ciencia de Datos por la academia.

Es importante que toda empresa que quiera mantenerse a la vanguardia entre en la revolución digital. Esta revolución ha llegado a cambiar cómo todas las industrias toman sus decisiones, y sí es a través de los datos. Buenas decisiones pueden llevar a una startup a convertirse en un Unicornio, mientras que malas decisiones pueden llevar de frentón a la quiebra y a nadie le gusta tomar esas decisiones a ciegas. Es por eso que el Machine Learning se ha popularizado como una técnica para poder analizar datos a escala, aprender lo más posible de ellos y permitir tomar decisiones de manera más informada. Pero crear un modelo de Machine Learning no sale a la primera si no que luego de miles de experimentos fallidos. Lamentablemente en un mundo vertiginoso donde cada vez está más de moda la agilidad los Data Scientists no disponen del tiempo para fallar en grandes cantidades hasta encontrar el éxito. Es por eso que propongo “Fallar rápido hasta el éxito con Hydra” en el cual presentaremos la librería Hydra creada por Facebook y aprenderemos cómo poder generar muchos experimentos, todos con múltiples configuraciones que entregan muchos outputs ordenados y no morir en el intento. Durante la charla aprenderemos cómo entrenar muchos modelos de Machine Learning con sólo un par de archivos de configuración. La idea de la charla es mostrar en la práctica cómo podemos codear muchos modelos en no más de 10 minutos de manera sencilla y sin confundirnos. El temario puede ser algo así como:
- El proceso de entrenamiento de un (1) modelo en Scikit-Learn.
- ¿Cómo generar muchos modelos distintos cambiando sólo los Hiperparámetros?
- ¿Cómo crear muchos modelos distintos cambiando los Algoritmos?
- ¿Cómo llevar registro de todos los modelos creados?