Les téléchargements de Julia ont augmenté de 77% en 2019 en passant de 7,3 à 12.95 millions.
Voici quelques liens autour du langage Julia que j’ai repéré ce mois-ci:
Deep learning koans: A collection of Deep Learning Koans written for Flux.jl and Julia Programming language. Une manière originale d’apprentissage fondée sur l’utilisation du “test driven development”. Le README est clair et détaillé. Les tests sont déjà écrits et c’est à nous de coder les fonctions pour qu’ils passent à la manière d’un puzzle. Intéressant.
How To Train Interpretable Neural Networks That Accurately Extrapolate From Small Data: Encore un post de Chris Rackauckas sur l’utilisation conjointe de l’analyse numérique et des statistiques pour résoudre des problèmes d’évolution. Epatant.
L’algorithme t-SNE(t-distributed stochastic neighbor embedding) est un algorithme de reduction de dimension. Ici un tutoriel avec en plus un court notebook supplémentaire contenant des conseils pour améliorer les performances de votre code Julia.
Statistics with Julia: Fundamentals for Data Science, Machine Learning and Artificial Intelligence. Un lien vers un livre en cours de redaction (plus de 400 pages et beaucoup de code). correctif : La dernière version DRAFT du livre est disponible en pdf et les sources se trouvent sur github. Merci
@samusz.Almost Trivial: Parallelizing a Specialized Matrix Type in Julia: Un exemple didactique de parallélisation par bloc. Le notebook est dispo ici.