Ces cinq dernières années, le paysage de la science des données a évolué autour du développement de nouveaux algorithmes d’apprentissage et de leur utilisation pour résoudre des problèmes complexes, de l’apprentissage automatique à la vision par ordinateur. L’avenir exigera que nous développions des modèles à forte intensité de calcul avec
un ICP important. Dans ce numéro, nous allons explorer Julia, le langage de programmation qui présente un énorme potentiel pour influencer cette transition et qui est en passe de devenir le préféré des « data scientists ».
Qu’est-ce que JULIA a de si spécial ?
Écoutons les fondateurs :
« Nous voulons quelque chose d’aussi utilisable pour la programmation générale que Python, d’aussi facile pour les statistiques que R, d’aussi naturel pour le traitement des chaînes de caractères que Perl, d’aussi puissant pour l’algèbre linéaire que Matlab, d’aussi bon pour coller des programmes ensemble que les programmes de scripts shell. Nous voulons un langage de programmation interactif et compilé. Nous voulons que ce soit aussi rapide que C ! »
C’est tellement fascinant, n’est-ce pas ? Jamais un langage de programmation n’a été taillé sur mesure pour la science des données ! ! Hybride, rapide et pourtant, si simple à apprendre !
Les superpouvoirs de JULIA : Allons plus loin !
C’est tellement fascinant, n’est-ce pas ? Jamais un langage de programmation n’a été taillé sur mesure pour la science des données ! Hybride, rapide et pourtant, si simple à apprendre !
- Chargement et traitement des données plus rapides (10x plus rapide que Python et R)
- Meilleur gestionnaire de paquets de sa catégorie, avec 3500 paquets et la fonctionnalité de commutation de paquets à partir d’autres langages de programmation
- Répartition multiple permettant d’utiliser le bon algorithme en fonction de la situation
- Modèles d’apprentissage automatique prêts à être déployés
Applications pour JULIA
Julia bénéficie d’une grande variété d’applications dans différents secteurs, qu’il s’agisse des véhicules autonomes ou des applications dans des domaines tels que la réalité augmentée, l’apprentissage automatique et la médecine de précision.
Pour les analystes, les moteurs de recommandation sont destinés à faire peau neuve ! Voici un extrait d’étude de cas de factorisation à titre indicatif. Voici un extrait d’étude de cas de factorisation à titre indicatif.
| PARAMÈTRES / ENSEMBLES DE DONNÉES | TAILLE (NOMBRE D’INTERACTIONS) |
TEMPS DE FACTORISATION. ( EN SECS ) |
| Movielens | 20 millions | 119 |
| Last.fm | 0,5 milliard | 2913 |
Les performances des classificateurs d’images seront améliorées – en s’écartant des recommandations conventionnelles selon lesquelles les projets Tensor Flow et Pytorch doivent être compilés en C++.
Qui utilise JULIA ?
La liste est longue et ne cesse de s’allonger !
En un mot, si vous avez besoin que vos codes s’exécutent plus rapidement, tout en profitant des capacités d’un langage de haut niveau, alors Julia est un choix évident.
« Pourquoi les macroéconomistes comme moi sont-ils si intéressés et enthousiasmés par Julia ? Parce que nous utilisons des modèles très complexes. Il est facile d’écrire le problème, mais il est difficile de le résoudre, surtout si notre modèle est de grande dimension. C’est pourquoi nous avons besoin de Julia. »
– Thomas J. Sargent, lauréat du prix Nobel
Références:
