You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
23 lines
1.2 KiB
23 lines
1.2 KiB
---
|
|
id: 4312
|
|
title: >-
|
|
Des APIs de Machine Learning sur étagère, à l'entrainement distribué dans le
|
|
cloud
|
|
language: Français
|
|
complexity: Débutant
|
|
tags:
|
|
- Big Data / ML / AI
|
|
presentation: >-
|
|
https://firebasestorage.googleapis.com/v0/b/devfesttoulouse-2018.appspot.com/o/presentation%2F4312-MachineLearningAPIsv3-GuillaumeLaforge.pdf?alt=media&token=62acf4e0-378a-4577-ac3c-42dc8691bf80
|
|
videoId: gSewdZrom10
|
|
speakers:
|
|
- guillaume_laforge
|
|
talkType: Conférence
|
|
|
|
---
|
|
|
|
Vous pouvez booster vos applications grâce aux APIs de Machine Learning, afin d'analyser ce que contiennent les images uploadées par vos utilisateurs, de comprendre la structure du texte, ou de reconnaître la voix. Pour le développeur, un simple appel REST suffit, pour interroger les APIs Google Cloud Vision, Speech, Translate ou Natural Language.
|
|
|
|
A l'opposé, le framework open source Tensorflow permets au data scientist de créer ses propres modèles de Machine Learning, de les entrainer localement ou dans le Cloud, et de lancer ses prédictions en ligne ou même embarquées dans des applis mobiles.
|
|
|
|
Entre les deux, il est aussi possible de personnaliser les modèles sur étagère, pour reconnaître vos propres images, classifier vos textes, grâce à Google Cloud AutoML.
|
|
|