No dia a dia do desenvolvimento é muito comum utilizarmos o mock em nossos testes unitários. Ele é realmente muito fácil de utilizar e por vezes nem pensamos em como é que ele funciona por baixo dos panos.

O objetivo de papo é explorar os conceitos (Duck Typing) e design patterns (Monkey Patch, Decorators, Métodos Especiais) implementados pelos mocks e ressaltar os pontos fortes dessas abordagens dinâmicas e Pythonicas.

As estruturas de dados probalisticas são extremamente úteis quando se quer manter um 'foot print` de memória baixo atrelado a uma baixa complexidade computacional ao custo de uma margem de erro no resultado. Essas estruturas são muito úteis quando se trata de ambientes com grandes quantidades de dados e é aceitavel até uma determinada margem de erro.

Nessa palestra, pretendo mostrar três estruturas de dados probabilisticas (ordem de complexidade):

1. Bloom Filters

2. Count-Min Speck

3. Hyper LogLog

Mostrarei as principais motivações para usar essas estruturas de dados, como funcionam (apresentar a idéia por trás de cada uma dessas estrturas), libs de python que implementam essas estruturas e compações com suas alternativas tradicionais (uso de memória e complexidade computacional).

Nesta apresentação iremos utilizar os serviços Amazon Transcribe e Comprehend para analisar vídeos de discursos históricos hospedados no Youtube.

Utilizaremos a ferramenta youtube-dl em Python para baixar os discursos do Youtube e depois os serviços Transcribe e Comprehend para AWS para fazer a transcrição do audio em texto e análise de sentimento.

Todo o processo será executado utilizando a biblioteca boto3, e não há necessidade de qualquer conhecimento teórico em NLP para acompanhar ou executar o processo.