<== page de blog - 7/12 ==> Blog module (3) papers (3)

---

page de blog - 7/12

RUST

2017-10-24

Le langage RUST est utilisé pour réécrire certaines parties de Firefox. Il est optimisé pour la gestion des threads.

…

article

Pourquoi pandas et numpy, pourquoi pas seulement pandas (2A) ?

2017-09-19

Voici quelques questions abordées durant la première séance. L’instruction pandas.read_csv n’a pas toujours fonctionné. Deux principales raisons à cela, la première à cause du chemin. Un chemin peut être absolu, il commence par c:\ ou \ sous Windows ou / sous Linux, ou relatif, il commence par un nom. Le chemin absolu ne pose pas de difficulté en Python sauf dans quelques cas où le chemin est un chemin réseau (commençant par \\). Par défaut, Python cherche les données à partir de l’emplacement du programme si le chemin est relatif. Cet emplacement est aussi l’emplacement courant pour le programme. Il suffit de placer les fichiers dans ce répetoire pour n’utiliser que le nom du fichier. On l’obtient en exécutant :

…

article

Carré magique (1A) et transformation d’une fonction

2017-09-19

On veut écrire une fonction qui calcule la somme des nombres sur chaque ligne d’un carré magique pour s’assurer qu’on a bien la même somme à chaque fois.

…

article

Quelques papiers que j’aimerais avoir le temps de lire

2017-09-13

• Two New Approaches to Compressed Sensing Exhibiting Both Robust Sparse Recovery and the Grouping Effect

• On the Consistency of Ordinal Regression Methods

• Lens Depth Function and k-Relative Neighborhood Graph: Versatile Tools for Ordinal Data Analysis

• Joint Label Inference in Networks

• Dense Distributions from Sparse Samples: Improved Gibbs Sampling Parameter Estimators for LDA

• Fundamental Conditions for Low-CP-Rank Tensor Completion

• Averaged Collapsed Variational Bayes Inference

• Communication-efficient Sparse Regression

• Distributed Sequence Memory of Multidimensional Inputs in Recurrent Networks

• Automatic Differentiation Variational Inference

• A Unified Formulation and Fast Accelerated Proximal Gradient Method for Classification

• Breaking the Curse of Dimensionality with Convex Neural Networks

• Preference-based Teaching

• Online Bayesian Passive-Aggressive Learning∗

• Learning Local Dependence In Ordered Data

• Explaining the Success of AdaBoost and Random Forests as Interpolating Classifiers

• Clustering from General Pairwise Observations with Applications to Time-varying Graphs∗

article

Titres des notebooks

2017-09-12

Le site contient plus de 300 notebooks qu’on peut retrouver compilés sous la forme d’une gallerie Galleries de notebooks et d’une page qui indique la couverture des tests unitaires : Notebooks Coverage. Excepté si les notebooks utilisent un cluster un une autre ressources difficile d’accès, ceux-ci sont exécutées une fois par semaine pour vérifier qu’ils continuent à tourner avec les dernières versions des modules dont ils dépendent. Ce faisant, le titre est maintenant précédé d’un code qui indique le public auquel il s’adresse et le contenu. Il y a trois niveaux, 1A, 2A, 3A pour chaque année du cursus à l’ENSAE. Le contenu et indiqué par un code.

…

article

Installer theano et un compilateur C++

2017-08-20

epkg:theano est un module difficile à installer car il utilise une compilation C++ pour optimiser les calculer que le programmeur demmande. Cela veut dire qu’il fait appel à un compilateur C++ pour convertir des instructions Python en un code qui s’exécute rapidement. Les portables ont peu souvent des processeurs GPU mais rien n’empêche de développer un programme de deep learning en CPU d’abord. C’est plus facile sous Linux (ou sous Windows Subsystem for Linux. Il suffit d’installer g++ :

…

article

PyData Seattle - des idées à prendre

2017-08-03

Les vidéos de la conférence sont en ligne et il y a toujours de bonnes idées à prendre : PyData Seattle 2017. Quelques modules à suivre : Scattertext, pomegranate. Un dernier module qui montre que toutes les grandes boîtes ont leur outil de machine learning. catboost est optimisé pour la construction de forêt d’arbres sur des variables catégorielles tout comme Facebook avait sorti le sien sur le texte fasttext. Enfin, un champ que je connais moins, z3, un outil de preuve systématique, qui pourrait servir un jour à traiter des données.

article

Cheat Sheets

2017-06-24

Quand quelqu’un s’amuse à regrouper plusieurs cheat sheets au même endroit, il faut absolument garder le lien quelque part, Essential Cheat Sheets for Machine Learning and Deep Learning Engineers, et son répertoire GitHub. C’est une façon très simple d’attirer pas mal de monde au même endroit car cela nous évite pas mal d’aller retour vers un moteur de recherche.

article

Performance du langage Python

2017-02-25

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.

article

Combiner des random forest

2017-02-15

C’est une astuce que m’ont fait découvrir deux étudiants dans leur projet associé au cours de troisième année Eléments logiciels pour le traitement des données massives. 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.

article

---

<== page de blog - 7/12 ==> 2019-12 (1) 2020-02 (1) 2020-04 (1) 2020-05 (2) 2020-06 (2)