Se trata de un trabajo que realicé en marco de una optativa de la carrera de física, que consistió en analizar archivos de audio para reconocer vocales del castellano. Se presentarán brevemente algunos conceptos de análisis de señales y de fisiología de la voz humana, y se explayará en la elaboración de un algoritmo de clasificación KNN desde cero en Python.

La voz humana puede caracterizarse a partir de las frecuencias que nuestro tracto vocal amplifica, que se denominan formantes. Por ejemplo, las formantes más graves se asocian con las vocales, mientras que las más agudas nos ayudan a distinguir quién es la persona que nos habla. En el espacio de las primeras dos formantes, F1 y F2, podemos mapear zonas que se relacionan con distintas vocales, y que se van a ver muy diferentes según el idioma que se considera. En el caso del castellano, hay 5 zonas asociadas a las vocales a, e, i, o y u respectivamente. Con un algoritmo KNN, o "k-primeros vecinos", podemos identificar estas zonas a partir de una muestra de hablantes suficientemente grande.

Disertantes: Carla Soprano

Introcción a la creación de proyectos Python compuestos por múltiples módulos, estructura de un proyecto y distribución del mismo usando Poetry y Pypi

Luego de los primeros pasos en el aprendizaje de Python llega el desafío de crear un proyecto con múltiples módulos, crear scripts que usen esos módulos y distribuir el código para que otros lo usen. En esta charla se pretende dar una introducción los paquetes de Python, Poetry, dependencias, empaquetado con zipapp y publicación de paquetes en Pypi para quienes están arrancando a crear sus propios proyectos.

Disertantes: Fernando López

Como utilizar datos geográficos en presentaciones hechas en un notebook de Jupyter

Sera una charla donde veremos un ejemplo de como utilizar un notebook de jupyter para realizar presentaciones que requieran mostrar algún mapa de interés con información geográfica

Disertantes: Agustin Genoves

En esta charla contaré cómo, a partir del interés de incursionar en técnicas de aprendizaje automático o machine learning para mi área de investigación, en los últimos años he empezado a utilizar python como herramienta para mis tareas de investigación. Comentaré las ventajas que he notado en su uso, no sólo para machine learning, si no para un uso cotidiano como gráficos y análisis de simulaciones.

Mi intención en esta presentación es relatar cómo llegué a usar python en los últimos años, cómo lo uso hoy en día como herramienta fundamental en mi trabajo de investigación, y qué ventajas he encontrado sobre otros programas con los que trabajaba. Tomaré como ejemplo un trabajo reciente donde aplicamos técnicas de machine learning a un tipo de texturas magnéticas, sin entrar en detalles técnicos de fórmulas específicas, si no con la idea de mostrar el uso del lenguaje en distintas partes del proceso.

Disertantes: Flavia A. Gómez Albarracín

Streamlit es un framework de Python creado para equipos de Machine Learning y Data Science, cuya motivación es la de proveer una forma sencilla de crear una página web sin necesidad de conocer mucho sobre programación. El objetivo de la charla es poder entender las funcionalidades básicas de la herramienta y crear una página web interactiva con muy pocas líneas de código.

Streamlit es un framework de Python creado especialmente para personas del área de ciencia de datos y machine learning que no tengan mucha noción sobre la programación, ya que permite crear una aplicación web interactiva en pocos pasos y a muy alto nivel. El nivel de abstracción que maneja es tan alto que con un simple script de Python con llamadas a funciones podes crear una página bonita sin esfuerzo. En la charla se mostrarán sus características más importantes y se presentarán ejemplos de lo fácil que es usar esta herramienta para crear una página web funcional y responsive en minutos.

Disertantes: Ariadna Aspitia

La idea de la charla es muy simple: aprender como modificar el comportaciones de la creacion de una clase usando Metaclases, para poder obtener resultados potentes, como a su vez poder entender mejor library code.

¿Alguna vez escuchaste hablar de las metaclases? ¿O que es un tipo en Python? Estoy bastante seguro de que lo hiciste, pero ese código generalmente tiene muchos guiones bajos, algo en la semántica lo hace parecer oscuro, ninja y de muy bajo nivel. Si te sentís así con respecto a cualquier código relacionado con Metaclases, ¡esta charla es para vos! En esta charla intentaremos profundizar en la creación de clases con todos los métodos: init, new, prepare, call, aprendiendo donde tocar para conseguir el efecto que te interesa (porque a veces necesitamos tocar la clase, y a veces la Metaclase) ; pero, lo más importante, con ejemplos prácticos y un par de atajos como decoradores de clases y metaclases de funciones. Recuerda, puedes hacer cosas asombrosas con Metaclasses, pero un gran poder conlleva una gran responsabilidad porque son el héroe que necesitamos, no el que queremos.

Disertantes: Axel Sirota