Deep Learning en Python : comment choisir un framework ?
Tensorflow, Keras, PyTorch, Fastai, Jax… Comment s’y retrouver parmi toutes ces notions ?
L’objectif de cette présentation n’est pas de désigner le meilleur framework Deep Learning, mais plutôt de partager les critères importants qui vont vous permettre de sélectionner l’outil le plus adapté à votre projet.
De quoi est fait l’écosystème DL aujourd’hui ? Quelles sont les différences notoires entre ces technos ? Et si on veut travailler sur GPU, faire du NLP, ou déployer un modèle ?
En s’appuyant sur l’expérience engrangée au cours de plusieurs projets R&D, on verra quelles sont les questions pertinentes à se poser au moment de choisir.
Justine Bel-letoile
Ingénieur généraliste de formation, assez rapidement je me suis orientée vers l’analyse de données. Je compte maintenant plus de 7 ans d’expérience en data science, d’abord pour de la publicité sur internet et désormais pour des solutions emploi et recrutement. J’ai eu l’occasion de travailler sur des sujets comme de la segmentation d’utilisateurs, des modèles de scoring (cliqueurs, churners) ou encore des systèmes de recommandation.
Aujourd’hui Head of Data Science chez HelloWork, un groupe qui crée des solutions RH basées sur l’IA pour rapprocher candidats et recruteurs, je continue à faire du machine learning, et notamment du NLP. Il peut s’agir de parsing de CV, de named entity recognition, de classification, d’information retrieval…
Ce qui me plaît en data science, c’est de pouvoir à la fois explorer la partie maths appliquées / recherche mais aussi intervenir sur la partie implémentation des algos (principalement en Python, parfois un peu en Java).