:orphan: |rss_image| **2017-02 - 1/1** :ref:`Blog ` :ref:`article (8) ` :ref:`articles (3) ` :ref:`cours (6) ` :ref:`module (7) ` :ref:`paper (3) ` .. |rss_image| image:: feed-icon-16x16.png :target: ../_downloads/rss.xml :alt: RSS ---- .. index:: 2017-02 .. _ap-month-2017-02-0: 2017-02 - 1/1 +++++++++++++ .. blogpostagg:: :title: Performance du langage Python :date: 2017-02-25 :keywords: python,performance :categories: performance :rawfile: 2017/2017-02-25_performance.rst C'est un article de blog assez concis et clair qui dévoile une partie de ce que cache un langage interprété comme Python : `Cost of abstractions `_. .. blogpostagg:: :title: Combiner des random forest :date: 2017-02-15 :keywords: scikit-learn,machine learning,random forest :categories: machine learning :rawfile: 2017/2017-02-15_randomforest.rst C'est une astuce que m'ont fait découvrir deux étudiants dans leur projet associé au cours de troisième année :ref:`l-td3a`. Ils ont utilisé une propriété rendue possible par l'implémentation des `random forest `_ de `scikit-learn `_ : il est possible de construire une random forest issue de l'assemblage de deux random forest. De là à paralléliser l'apprentissage d'une random forest, il n'y a qu'un pas. L'article en question : `Combining random forest models in scikit learn `_. ---- |rss_image| **2017-02 - 1/1** :ref:`2022-10 (1) ` :ref:`2022-12 (2) ` :ref:`2023-01 (1) ` :ref:`2023-02 (1) ` :ref:`2023-04 (1) `