.. image:: pystat.png :height: 20 :alt: Statistique :target: http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/td_2a_notions.html#pour-un-profil-plutot-data-scientist Prédire en environnement contraint ++++++++++++++++++++++++++++++++++ C'est l'option la plus facile. Elle consiste à apprendre sur un ordinateur classique puis à exporter le modèle dans un environnement différent où seule la prédiction est disponible. On l'appelle parfois le *runtime*. Il existe encore peu d'outils communs même s'il est fortement probable que chacun ait développé des outils en interne adaptés à son architecture. Il est très facile d'apprendre une régression logistique puis de réimplémenter la fonction de prédiction partout où on en a besoin avec les coefficients du modèle plutôt que de chercher à installer :epkg:`Python`. *Modules* * `Embedded Learning Library (ELL) `_ : deep learning sur :epkg:`RaspberryPI`, :epkg:`Arduino` * `onnx `_ * `coremltools `_