Par où commencer avec le Big Data ? Comment choisir les composants ? Quelles architectures ? Et après ? Deep Learning, kesako ? Autant de questions sans réponse lorsqu’on se lance dans le grand bain de la data. On essaye de vous aiguiller avec cette sélection d’articles qui ont attiré notre attention lors du mois d’avril. C’est parti !4400
Prendre les bonnes décisions, dès le départ, pour son projet Big Data
Il est important de bien comprendre l’ensemble d’un système d’information pour appréhender les différentes architectures Big Data réalisables.
Cet article vous propose de partir de zéro, pour vous donner différentes pistes de réflexion lorsque vous voudrez créer votre architecture.
Les points de cet article qui ont retenu notre attention et sur lesquels nous vous invitons à vous pencher sont :
- Les architectures dites “distribuées”
- Le NoSQL et les limites des SGBDR classiques
- Architecture Lambda, Kappa
- Écosystème Hadoop
- Les critères de choix
Nous déployons pour nos clients, aussi bien des architectures Kappa que des architectures Lambda. Chacune ayant ses avantages et ses use cases précis.
Framework de Deep Learning en Python et C++
Un des use cases d’infrastructures Big Data bien connu : le Deep Learning !
Les technologies évoluent pour nous faciliter la tâche et nous permettre de nous concentrer sur la finalité du procédé, plutôt que sur les moyens.
Caffe2, un framework qui fait le job !
Le framework possède actuellement 2 API, une en Python l’autre en C++. Le site vous propose différents tutoriels pour aborder le deep learning. A vos notebooks Jupyter !
IA et Machine learning
Dans la mouvance de l’accessibilité, voici un produit qui facilite l’utilisation de TensorFlow. Créer par Bonsai, il s’agit de Inkling.
TensorFlow est une libraire open-source de Machine Learning.
Inkling est bientôt disponible en V1.0, d’ici la fin du mois de Juin. Il parait prometteur et pleins d’ambitions.
Retrouvez l’article sur developpez.com, ici.
Intéressé ?
Envie de vous mettre au Big Data ? De faire du Machine Learning ? Du Deep Learning ? N’hésitez pas à nous contacter via le blog, ou via Twitter sur notre page : @ingensi
—
Explore, enrich, make data yours !
—
