Is je analyse reproduceerbaar? 5 manieren om je werk waterdicht te maken met Datalore Is Your Analysis Reproducible? 5 Ways to Make Your Work Bulletproof With Datalore

Heb je ooit een oude analyse in Jupyter geopend en kon je de resultaten totaal niet meer reproduceren? Misschien weet je niet meer waar je de gebruikte data had opgeslagen, of welke versie van een belangrijke dependency er in je omgeving stond. Of misschien is je Jupyter-notebook één grote chaos en kun je je eigen code niet meer ontcijferen. Dan zit er niets anders op dan een grote kop koffie te zetten en je voor te bereiden op een zware week puzzelen over wat je destijds precies hebt gedaan. Klinkt dit bekend? Dan ben je niet de enige! Recent onderzoek laat zien dat het werk in het overgrote deel van de Jupyter-notebooks niet te reproduceren is. Als je deze notebooks niet opnieuw kunt draaien, kun je de aannames en omstandigheden waaronder de oorspronkelijke resultaten tot stand kwamen niet nabootsen. Daardoor is het lastig om volledig te begrijpen hoe datagedreven beslissingen of zelfs stukken intellectueel eigendom tot stand zijn gekomen. In dit webinar legt Dr. Jodie Burchell een aantal veelvoorkomende valkuilen voor reproduceerbaarheid uit, en laat ze zien hoe je die vermijdt door vanaf het begin reproduceerbare analyses te maken met Datalore. Spreker: Dr. Jodie Burchell is Developer Advocate in Data Science bij JetBrains en was eerder Lead Data Scientist in audience generation bij Verve Group Europe. Na haar promotie in de psychologie en een postdoc in de biostatistiek heeft ze diverse functies in data science en machine learning bekleed, op het gebied van zoekverbetering, aanbevelingssystemen, NLP en programmatic advertising. Ze is ook auteur van twee boeken, The Hitchhiker's Guide to Ggplot2 en The Hitchhiker's Guide to Plotnine, en schrijft een blog over data science.

Have you ever had the experience of opening up an old analysis you did in Jupyter and being completely unable to reproduce the results? Maybe you can't work out where you saved the data you used, or what version of a core dependency you had in your environment. Perhaps your Jupyter notebook is a complete mess and you can't decipher your own code. All you can do is make yourself a big cup of coffee and prepare for a rough week of trying to piece together what you must have done. If this sounds familiar, you're not alone! Recent studies have found that the work in the vast majority of Jupyter notebooks cannot be reproduced. Being unable to rerun these notebooks means the assumptions and conditions under which the original results were produced can't be recreated, making it difficult to fully understand how data-based decisions or even pieces of intellectual property were made. In this webinar, Dr. Jodie Burchell will explain some common pitfalls for reproducibility and how you can avoid them by creating reproducible analyses from the outset using Datalore. Speaker: Dr. Jodie Burchell is the Developer Advocate in Data Science at JetBrains and was previously Lead Data Scientist in audience generation at Verve Group Europe. After finishing her PhD in psychology and a postdoc in biostatistics, she has worked in a range of data science and machine learning roles across the fields of search improvement, recommendation systems, NLP, and programmatic advertising. She is also the author of two books, The Hitchhiker's Guide to Ggplot2 and The Hitchhiker's Guide to Plotnine, and writes a data science blog.