:orphan:

|rss_image| :ref:`<== <ap-main-7>`  **page de blog - 9/16** :ref:`==> <ap-main-9>` :ref:`Blog <ap-main-0>` :ref:`article (8) <ap-cat-article-0>` :ref:`articles (3) <ap-cat-articles-0>` :ref:`cours (6) <ap-cat-cours-0>` :ref:`module (7) <ap-cat-module-0>` :ref:`paper (3) <ap-cat-paper-0>`

.. |rss_image| image:: feed-icon-16x16.png
    :target: ../_downloads/rss.xml
    :alt: RSS

----


.. _ap-main-8:

page de blog - 9/16
+++++++++++++++++++

.. blogpostagg::
    :title: Biblio : articles ajoutés récemment, tests de pénétrations
    :date: 2018-03-20
    :keywords: benchmark,pytorch,tensorflow,cntk
    :categories: biblio
    :rawfile: 2018/2018-03-20_new.rst

    Dans :ref:`l-algoculture-shortlist` :
    

    ...




.. blogpostagg::
    :title: Comparaison de librairies de deep learning
    :date: 2018-03-19
    :keywords: benchmark,pytorck,tensorflow,cntk
    :categories: deep learning
    :rawfile: 2018/2018-03-19_deep_learning_framework.rst

    C'est un article de blog produit par la recherche de Microsoft :
    `Comparing Deep Learning Frameworks: A Rosetta Stone Approach <https://blogs.technet.microsoft.com/machinelearning/2018/03/14/comparing-deep-learning-frameworks-a-rosetta-stone-approach/>`_.
    Il compare les temps d'apprentissage et de test pour la plupart
    des librairies de deep learning.
    L'ensemble est disponible sur
    `GitHub <https://github.com/ilkarman/DeepLearningFrameworks>`_.
    Le répertoire de
    `notebooks <https://github.com/ilkarman/DeepLearningFrameworks/tree/master/notebooks>`_
    est intéressant car cela permet de récupérer les mêmes exemples (4)
    implémentés avec les différantes librairies de deep learning
    les plus connues.




.. blogpostagg::
    :title: Biblio : articles ajoutés récemment
    :date: 2018-03-19
    :keywords: benchmark,pytorck,tensorflow,cntk
    :categories: biblio
    :rawfile: 2018/2018-03-19_new.rst

    Dans :ref:`l-suggestio-articles-projet-3A` :
    

    ...




.. blogpostagg::
    :title: Cheat Sheets et autres liens
    :date: 2018-03-09
    :keywords: cheatsheets,data science
    :categories: cheatsheet
    :rawfile: 2018/2018-03-09_cheatsheets.rst

    Je suis tombé sur ce site `DataCamp <https://www.datacamp.com/community>`_.
    On y trouve des articles ou des liens vers des articles assez amusants et intéressants,
    `Visualizing when I'm most productive during the day <https://deanattali.com/blog/visualize-git-commits-time/?utm_campaign=News&utm_medium=Community&utm_source=DataCamp.com>`_,
    `5 Fantastic Practical Natural Language Processing Resources <https://www.kdnuggets.com/2018/02/5-fantastic-practical-natural-language-processing-resources.html?utm_campaign=News&utm_medium=Community&utm_source=DataCamp.com>`_,
    `The 10 Algorithms Machine Learning Engineers Need to Know <https://gab41.lab41.org/the-10-algorithms-machine-learning-engineers-need-to-know-f4bb63f5b2fa>`_,
    `A Diagram Editor for JupyterLab <https://blog.jupyter.org/a-diagram-editor-for-jupyterlab-a254121ff919>`_
    (`jupyterlab-drawio <https://github.com/QuantStack/jupyterlab-drawio>`_).
    Cela m'a permis de découvrir l'article
    `TypeScript vs. JavaScript: Should You Migrate Your Project to TypeScript? <https://stackify.com/typescript-vs-javascript-migrate/>`_.
    Il y a également une liste de cheatsheets intéressantes :
    `Data Science Cheat Sheets <https://www.datacamp.com/community/data-science-cheatsheets>`_,
    et quelques astuces et tutoriels :
    `Experts' Favorite Data Science Techniques <https://www.datacamp.com/community/tutorials/data-science-techniques-dataframed>`_.
    Un dernier module qui pourrait devenir intéressant :
    `ray <https://github.com/ray-project/ray>`_.
    

    ...




.. blogpostagg::
    :title: turicreate
    :date: 2018-03-01
    :keywords: turicreate
    :categories: modules
    :rawfile: 2018/2018-03-01_turicreate.rst

    :epkg:`Python` est un langage et un environnement
    en constante mutation. Des packages ne sont plus
    maintenus, d'autres surgissent. Le dernier en date :
    `turicreate <https://github.com/apple/turicreate>`_.
    Il est développé par *Apple* et d'après ce que j'en comprends,
    il s'agit principalement de construire des modèles
    à installer sur leur téléphone. Certaines tâches
    comme la `détection d'objects <https://github.com/apple/turicreate/blob/master/userguide/object_detection/README.md>`_
    sont quasiment accessibles avec un simple copier/coller.
    A suivre donc même si ça ne marche que sous linux
    pour le moment (ou sous Windows avec
    WSL = Windows Linux Subsystem).




.. blogpostagg::
    :title: mlxtend - tutorial sympathique - bootstrap
    :date: 2018-02-08
    :keywords: mlxtend,bootstrap,API
    :categories: modules
    :rawfile: 2018/2018-02-08_mlxtend.rst

    Je viens de faire un petit tour sur la documentation
    de `mlxtend <https://rasbt.github.io/mlxtend/>`_ et
    en particuler la liste des exemples :
    `User Guide <https://rasbt.github.io/mlxtend/USER_GUIDE_INDEX/>`_.
    Il y a le fameux graphe avec la base de données Iris
    qui représente les régions de décisions, le tout en une ligne :
    `plot_decision_regions <https://rasbt.github.io/mlxtend/user_guide/plotting/plot_decision_regions/>`_.
    La méthode `bootstrap <http://rasbt.github.io/mlxtend/user_guide/evaluate/bootstrap/>`_
    vaut aussi le détour.




.. blogpostagg::
    :title: Calcul distribué en Python (CPU)
    :date: 2018-01-28
    :keywords: calcul distribué,parallel computing
    :categories: parallel computing
    :rawfile: 2018/2018-01-28_parallel_computing.rst

    Le langage :epkg:`Python` est très lent.
    C'est pourquoi la plupart les calculs scientifiques
    sont implémentés en :epkg:`C++` ou tout autre
    alternative à mi-chemin comme :epkg:`Cython`
    qui est presque un langage à part entière.
    La connaissance du :epkg:`C++` n'est pas indispensable
    mais elle facilite énormément la période d'apprentissage.
    

    ...




.. blogpostagg::
    :title: Saves and reload a pytorch model
    :date: 2018-01-07
    :keywords: torch,serialize
    :categories: deep learning
    :rawfile: 2018/2018-01-07_torch.rst

    Saving and loading a :epkg:`pytorch` model is something
    which took me a couple of searches on internet so
    let's write it out. So to save a model:
    

    ...




.. blogpostagg::
    :title: Awesome quelque chose
    :date: 2017-12-16
    :keywords: 
    :categories: références
    :rawfile: 2017/2017-12-16_awesome.rst

    On voit de plus en plus d'exemples de repository
    GitHub qui références des listes d'articles ou de librairies
    qui sont *awesome*.
    

    ...




.. blogpostagg::
    :title: C++ depuis un notebook
    :date: 2017-12-02
    :keywords: 
    :categories: langage
    :rawfile: 2017/2017-12-02_cplusplus.rst

    Il est maintenant possible de faire du C++ dans un notebook :
    `Interactive Workflows for C++ with Jupyter <https://blog.jupyter.org/interactive-workflows-for-c-with-jupyter-fe9b54227d92>`_.
    Ce langage s'ajoute à l'incroyable liste déjà disponible :
    `Jupyter kernels <https://github.com/jupyter/jupyter/wiki/Jupyter-kernels>`_.
    Ce petit tour de force repose sur
    `Cling <https://root.cern.ch/cling>`_,
    un interpréteur pour C++ et
    `Xeus <https://github.com/QuantStack/xeus>`_
    qui implémente le kernel.
    L'article mentionne d'autres outils très sympathiques.
    Parmi eux, `xtensor <https://github.com/QuantStack/xtensor/>`_
    qui permet le calcul numérique sous C++.
    `mybinder <https://mybinder.org/>`_ permet
    de `dockeriser <https://fr.wikipedia.org/wiki/Docker_(logiciel)>`_
    un repository github.





----

|rss_image| :ref:`<== <ap-main-7>`  **page de blog - 9/16** :ref:`==> <ap-main-9>` :ref:`2022-10 (1) <ap-month-2022-10-0>` :ref:`2022-12 (2) <ap-month-2022-12-0>` :ref:`2023-01 (1) <ap-month-2023-01-0>` :ref:`2023-02 (1) <ap-month-2023-02-0>` :ref:`2023-04 (1) <ap-month-2023-04-0>`