/ SPEAKER
Mohammed is a community catalyst, a true open-source believer who has contributed to many open-source projects. Mohammed has extensive hands-on, cross-industry experience in designing, building and evolving distributed applications at scale. He's one of Google developer experts in cloud, and work @Spotify as Backend engineer.
L'engouement autour de eBPF (extended Berkeley Packet Filter) grandit rapidement et il émerge comme un composant essentiel pour l'observabilité, la sécurité, le traçage et le réseautage au sein de l'écosystème cloud native. En fait, cela change notre façon de penser les systèmes d'exploitation en ouvrant les portes à la personnalisation complète du noyau Linux en tant que plateforme.
Dans cette session, nous couvrirons les fondamentaux de eBPF, ses éléments internes et son architecture de base. Nous explorerons également la création d'exemples concrets et comment les développeurs peuvent bénéficier d'un aperçu interne de leurs applications sans instrumentation de code, obtenir des traces, analyser la performance et identifier des possibilités d'amélioration en utilisant eBPF.
Nous aborderons également les avantages de eBPF pour les environnements cloud-native, soulignant son paysage en expansion qui permet d'exploiter la puissance de eBPF et de débloquer son potentiel.
Dans cet atelier, nous apprendrons le machine learning avec le dataset Titanic de Kaggle. Cet atelier est idéal pour les personnes nouvelles dans le domaine de la science des données ou pour les développeurs souhaitant en savoir plus sur le ML.
Voici ce que nous ferons :
- Introduction au Machine learning
- Division des Données : Nous commencerons par diviser notre jeu de données en deux parties - une pour l'entraînement et une pour les tests.
- Gestion des Données Manquantes : Nous apprendrons à gérer les informations manquantes dans notre jeu de données pour améliorer notre modèle.
- Compréhension des Données : Nous examinerons les données de près pour comprendre ce qu'elles nous disent, ce qui aide à construire un bon modèle.
- Construction d'un Modèle : Nous créerons un modèle qui essaie de deviner qui a survécu sur le Titanic.
- Amélioration du Modèle : Nous explorerons des moyens d'améliorer notre modèle afin qu'il puisse faire de meilleures suppositions.
- Soumission à Kaggle : Enfin, nous apprendrons comment soumettre nos prédictions à Kaggle et rejoindre la compétition.
Cet atelier est un excellent moyen de commencer à apprendre le machine learning. Il est souhaitable d'avoir quelques connaissances en Python et en idées de base du machine learning. Rejoignez-nous pour apprendre et faire vos premiers pas dans les compétitions de machine learning.
Dans notre session, nous utiliserons Google Colab.
Searching for speaker images...