Julia

Julia pour l'apprentissage machine

lundi 02 novembre 2020 - 10:34:39
julia_logo_3.jpg

En 2020, Zacharias Voulgaris a publié chez Technics Publications un livre consacré au langage Julia pour l'apprentissage machine, intitulé Julia pour l'apprentissage machine [1].

Résumé

Nous explicitons pourquoi Julia est choisi de plus en plus pour  de projets de traitements de données massives et d'apprentissage automatique, notamment en raison de sa capacité à faire tourner des algorithmes de manière très rapide. Nous montrons comment configurer Julia et l'utiliser dans divers environnements de développement intégré tels que Jupyter. Nous explorons les principales bibliothèques Julia utiles pour le traitement des données massives, y compris les progiciels liés au visuel, aux structures de données et aux processus mathématiques.


Après avoir établi les bases de Julia, nous nous plongeons dans l'apprentissage machine avec des concepts fondamentaux renforcés par des études de cas. Les cas d'utilisation se construisent progressivement, atteignant le niveau où nous codons un modèle d'apprentissage machine ab initio en utilisant Julia. Tous ces cas sont disponibles dans une série de "carnets" Jupyter.


Après avoir couvert les méthodes de réduction de dimensionnalité, nous explorons d'autres thèmes de l'apprentissage machine, tels que la parallélisation et l'ingénierie des données. Bien qu'il soit essentiel de savoir comment utiliser Julia, il est encore plus important de communiquer nos résultats à l'entreprise, ce que nous abordons ensuite, y compris la manière de travailler efficacement avec les partenaires du projet. Nous progressons ensuite vers les points plus fins, notamment l'amélioration de la transparence de l'apprentissage machine, la réconciliation de l'apprentissage machine avec les statistiques et la poursuite de l'innovation avec Julia.


Les derniers chapitres couvrent les tendances futures dans les domaines de Julia, de l'apprentissage machine et de l'intelligence artificielle. Nous expliquons l'apprentissage machine et les systèmes hybrides de statistiques bayesiennes, ainsi que le langage "Gen" de Julia. Nous partageons de nombreuses ressources afin que vous puissiez continuer à affiner vos compétences en matière de Julia et d'apprentissage machine.


Chaque chapitre se termine par une série de questions destinées à consolider son contenu, dont les réponses sont fournies en annexe. Les autres annexes comprennent un glossaire complet, des paquets interfaçant Julia et d'autres langages de programmation, et un aperçu de trois heuristiques associées à la science des données mises en œuvre dans Julia et qui ne se trouvent dans aucun des paquets existants.

Table des matières

  1. Introduction
  2. Julia aujourd'hui
  3. Installation de Julia
  4. Bibliothèques de Julia
  5. Qu'est-ce que l'apprentissage machine et ce qu'il n'est pas
  6. Bibliothèques d'apprentissage machine en Julia
  7. Un projet de science des données utilisant l'apprentissage automatique
  8. Méthodes d'apprentissage automatique pour la réduction de dimensionnalité
  9. Sujets supplémentaires sur l'apprentissage automatique et Julia
  10. L'impact de l'apprentissage automatique
  11. Réflexions supplémentaires sur l'apprentissage automatique et Julia
  12. Perspectives
  13. Glossaire
  14. Appendice A: solutions
  15. Appendice B: Julia et les autres langages de programmation
  16. Annexe C: Heuristiques utiles implémentées dans Julia
  17. Index

[1] Zacharias Vougaris, Julia pour l'apprentissage machine, Technics Publications, 2020