Cours
Introduction à Python
4 h
7M
La data science et le machine learning n’ont jamais été aussi populaires. Avec la croissance du domaine, tout l’écosystème d’outils à disposition des praticiens a gagné en maturité.
Parmi les évolutions marquantes, on note l’émergence d’une large variété de nouveaux outils, de startups et même de catégories entières conçues pour résoudre des problématiques précises rencontrées par les équipes et les organisations. Dans cette infographie, nous proposons un panorama des outils de data science et de machine learning en 2022.
Pour télécharger l’infographie, cliquez sur l’image ci-dessus.
Vous trouverez ci-dessous une présentation détaillée des outils cités dans l’infographie.
Gestion des données
Parmi les avancées majeures de ces dernières années, l’on retrouve l’arrivée de nombreux outils permettant de mieux gérer les données pour les workflows de data science et de machine learning. Cela va des générateurs de données synthétiques, qui permettent de créer des jeux de données, aux solutions d’observabilité des données qui surveillent les pipelines en production, en passant par le versioning des données, les outils de data pipelining et d’orchestration pour piloter les workflows, les catalogues de données qui rendent visibles les actifs data de l’entreprise, et bien plus encore.
Données synthétiques
Observabilité des données
Versioning des données
Annotation des données
Data pipelining
Orchestration des données
Catalogues de données
Plateformes de machine learning de bout en bout
Les plateformes de machine learning tendent à devenir la norme. Elles permettent de gérer l’ensemble du cycle, du traitement des features jusqu’au déploiement, certaines offrant des capacités d’automatisation pour l’entraînement et le déploiement.
Modélisation
L’écosystème data science regorge d’outils : notebooks et IDE, bibliothèques et logiciels d’analyse, visualisation des données, feature stores pour stocker les variables utilisées en machine learning, bibliothèques de deep learning et de machine learning, optimisation d’hyperparamètres, débogage de modèles, etc.
Notebooks et IDE
- JupyterLab
- Google Colab
- Deepnote
- VSCode
- Amazon SageMaker Studio Lab
- JetBrains
- Spyder
- DataCamp Workspace
- RStudio
Analyse de données
Visualisation des données
Feature stores
Frameworks de machine learning
Frameworks de deep learning
Optimisation des hyperparamètres
Explicabilité des modèles
Débogage de modèles
Déploiement
Ces deux dernières années ont vu l’essor du MLOps et l’importance de mettre en production les modèles de machine learning. Cela a stimulé le développement et l’évolution d’outils permettant d’encapsuler les modèles dans des applications, de surveiller les modèles en production, de suivre les expérimentations à grande échelle et de servir des modèles en production.