PyData
PyData: 156 vídeos con subtítulosPyData tiene 156 vídeos indexados en WinkLingo (canal con 173 mil suscriptores). Todos se pueden buscar palabra por palabra.
Ver descripción original en inglés
PyData is an educational program of NumFOCUS, a 501(c)3 non-profit organization in the United States. PyData provides a forum for the international community of users and developers of data analysis tools to share ideas and learn from each other. The global PyData network promotes discussion of best practices, new approaches, and emerging technologies for data management, processing, analytics, and visualization. PyData communities approach data science using many languages, including (but not limited to) Python, Julia, and R. We aim to be an accessible, community-driven conference, with…
Vídeos incluidos
44:15Combate tus datos basura: implementación de un framework de monitoreo de calidad de datos en PySpark
Fight your garbage data: implementation of a pythonic data quality monitoring framework in PySpark
30:45De la lucha a la maestría: Guía práctica de operaciones de pipelines de datos [PyCon DE & PyData 2026]
From Struggling to Mastery: A Practical Guide to Data Pipeline Operations [PyCon DE & PyData 2026]
31:19El día que el agente empezó a mentir (educadamente) [PyCon DE & PyData 2026]
The Day the Agent Started Lying (Politely) [PyCon DE & PyData 2026]
26:41Post-procesamiento y visualización de datos astrofísicos con PyPLUTO [PyCon DE & PyData 2026]
Post-Processing and Visualization of Astrophysical Data with PyPLUTO [PyCon DE & PyData 2026]
30:06Los restaurantes cerca de las estaciones de tren son malos y puedo probarlo [PyCon DE & PyData 2026]
Restaurants around train stations are bad and I can prove it [PyCon DE & PyData 2026]
31:03Evaluaciones de IA bien hechas: De las sensaciones a decisiones seguras [PyCon DE & PyData 2026]
AI Evals Done Right: From Vibes to Confident Decisions [PyCon DE & PyData 2026]
44:48Creación de conjuntos de datos sintéticos sin sesgos: Qué funciona y qué falla
Building Non-Biased Synthetic Datasets: What Actually Works (and What Fails)
44:20Qué falla cuando los sistemas de reconocimiento automático de voz se vuelven multilingües [PyCon DE & PyData 2026]
What Breaks When Automatic Speech Recognition Systems Go Multilingual [PyCon DE & PyData 2026]
27:43Uso de fusión de sensores y ML para navegar bajo tierra cuando falla el GPS [PyCon DE & PyData 2026]
Using Sensor Fusion and ML to Navigate Underground When GPS Fails [PyCon DE & PyData 2026]
30:51Modelos fundacionales en pronósticos: ¿Ya llegamos? Lecciones desde el terreno
Foundation Models in Forecasting: Are We There Yet? Lessons from the Trenches
28:54La revolución de los modelos fundacionales para datos tabulares [PyCon DE & PyData 2026]
The foundation model revolution for tabular data [PyCon DE & PyData 2026]
24:26Haciendo mi charla de Apache Spark™ más interesante usando IA [PyCon DE & PyData 2026]
Making my Apache Spark™ talk more interesting using AI [PyCon DE & PyData 2026]
29:45Heat: escalando el stack científico de Python a sistemas HPC [PyCon DE & PyData 2026]
Heat: scaling the Python scientific stack to HPC systems [PyCon DE & PyData 2026]
32:58El arte de lo óptimo: Enfoque Pythonic para la toma de decisiones complejas [PyCon DE & PyData 2026]
The Art of the Optimal: A Pythonic Approach to Complex Decision-Making [PyCon DE & PyData 2026]
30:52Redescubriendo el procesamiento de nodo único: ¿Cuándo tiene sentido pasar de Spark a Polars?
Rediscovering single-node processing: When does it make sense to move from Spark to Polars?
45:09Más allá de Kafka y S3: Pipelines de datos en Python con Bytestreams nativos de HTTP [PyCon DE & PyData 2026]
Beyond Kafka and S3: Python Data Pipelines with HTTP-Native Bytestreams [PyCon DE & PyData 2026]
53:56Desmitificando la programación paralela en Python: de CPU a procesadores cuánticos, incluyendo GPU y TPU
Demystifying Parallel Programming in Python: from CPU to quantum processors, including GPU and TPU
29:57Resolviendo el 'Cold Start' de marketplaces a escala con Ranking [PyCon DE & PyData 2026]
Solving Marketplace Cold Start at Scale with Ranking [PyCon DE & PyData 2026]
22:20Optimización holística: Implementando HPO "Pipeline-as-a-Trial" con Ray e infraestructura en la nube
Holistic Optimization: Implementing "Pipeline-as-a-Trial" HPO with Ray and Cloud Infra
1:27:43Construyendo pipelines de datos confiables con polars y dataframely [PyCon DE & PyData 2026]
Building reliable data pipelines with polars and dataframely [PyCon DE & PyData 2026]
28:49Haciendo que las CLI deficientes sean divertidas con Modelos de Lenguaje Pequeños [PyCon DE & PyData 2026]
Making bad CLIs fun with Small Language Models [PyCon DE & PyData 2026]
29:39Cómo crear visualizaciones de datos efectivas [PyCon DE & PyData 2026]
How to create effective data visualizations [PyCon DE & PyData 2026]
46:32Cuando los LLM son demasiado grandes: Sistemas de ML eficientes y de alto rendimiento para catálogos de E-Commerce
When LLMs Are Too Big: Building Cost-Efficient High-Throughput ML Systems for E-Commerce Cataloging
36:32De filas a columnas: Acelerando PySpark UDFs con Arrow y Polars [PyCon DE & PyData 2026]
From Row-Wise to Columnar: Speeding Up PySpark UDFs with Arrow and Polars [PyCon DE & PyData 2026]