Conferencias
En esta séptima edición de la conferencia contaremos con la presencia de oradores que son referentes en el área de programación con R, con experiencia tanto en el ámbito académico como en la industria y en organizaciones de la sociedad civil. Se destacan por su compromiso con la colaboración y la promoción de ciencia, datos y sofware abiertos.
Conferencistas
Julia Silge es científica de datos y gerente de ingeniería en Posit PBC (anteriormente RStudio), donde trabaja en el desarrollo de herramientas de código abierto para modelado y MLOps. Es creadora de herramientas, autora, oradora principal en conferencias internacionales y practicante en el mundo real, con particular foco en el análisis de datos y el aprendizaje automático. A Julia le gusta el análisis de texto, hacer gráficos hermosos y comunicar temas técnicos a audiencias diversas. Puedes encontrarla en línea en su blog (https://juliasilge.com/) y YouTube (https://www.youtube.com/juliasilge).
Will Landau es estadístico y desarrollador de software para la industria de las ciencias de la vida. Se especializa en los aspectos computacionales de la estadística bayesiana y en investigación reproducible. Es el creador y mantenedor de los paquetes de R targets y crew.
Conferencias
Julia Silge: What is “production” anyway? MLOps for the curious
While data scientists are often taught about training a machine learning model, building an MLOps strategy to deploy and maintain that model can be daunting. You may have even heard that R is not appropriate for production use. In this talk, learn what the practice of machine learning operations (MLOps) is, what principles can be used to create a practical MLOps strategy, what people mean when they say “production”, and what kinds of tasks and components are involved. See how to get started with vetiver, a framework for MLOps tasks in R (and Python) that provides fluent tooling to version, deploy, and monitor your models. This talk will help practitioners who are already deploying models, but this is also useful knowledge for data science practitioners earlier in their MLOps journey; decisions made along the way can make the difference between resilient models that are easier to maintain and disappointing or misleading models.