Quelles bibliothèques choisir pour votre projet data-science ? That's the question!


Des plus en plus de sociétés souhaitent intégrer de la data-science dans leurs projets. Difficile de ne pas se sentir perdu au milieu des nombreuses bibliothèques proposées, et il est encore plus difficile de sélectionner la librairie qui correspond le mieux à nos besoins métiers.


Ce talk vous présentera, benchmark à l’appuie, différentes bibliothèques scala et python proposant des fonctionnalités de prétraitement, de calcul scientifique ou encore de machine learning, afin de vous guider dans votre sélection d’outils pour la data-science.

Nous allons comparer les bibliothèques Saddle, Smile, Breeze et Spark Mllib qui profitent de l’aspect fonctionnel de scala et de ses prédispositions à la scalabilité, avec les bibliothèques Pandas, Scipy, StatsModels et Scikit-Learn, qui permettent un développement rapide et flexible en python, pour être plus confiant dans le choix de l'outil le plus adapté à votre projet.



Tech

Tech

#TALK en Français

Anastasia Lieva

Comwatt

#FuZzy humanist, Data Science Witch, Lambda Whisperer | Learning (machine, human or whatever) | former couturier | permaculture newbie | for a better world



Autres talks de Anastasia

  • 2019 - Make Data-Science Great Again. Pourquoi et comment crafter la Data-Science sur mesure.

    Anastasia Lieva

    Il n'est pas évident d'intégrer de la Data Science dans les sociétés qui développent un business qui de base ne prévoyait pas de l’intelligence artificielle (IA), et pour lequel l’IA n'est pas au cœur du métier. Malgré la motivation d'utiliser l’IA, de nombreux projets Data Science dans ces sociétés échouent.

    C'est autant frustrant pour les responsables d'entreprises que démotivant pour les data-scientists, dont les projets finissent au placard. On va analyser ensemble cette situation, pour déterminer les raisons de ces échecs. On va également étudier comment éviter les erreurs les plus courantes, et comment mener ce changement sans encombre afin d'enrichir vos produits avec l’IA.

    L’objectif du talk est que peu importe le profil que vous avez - dev front, dev back, data-scientist, CTO, CEO, Product Manager - vous retournerez lundi dans votre société en sachant à la fois identifier et mener à bien les opportunités de Data Science.