Session #3

La plateforme open source MLFlow permet la gestion du cycle de vie des expériences en machine learning, garantir sa reproductibilité, déployer les résultats et gérer la gestion d’artifacts (modèles) issues de ces expériences d’une façon simple et intuitive. Cette présentation explore les concepts de base pour l’utilisation de cet outil.

Dans cette présentation, nous parlerons de la bibliothèque Geomstats : une bibliothèque de géométrie Riemannienne pour l’apprentissage statistique. Nous présenterons tout d’abord les grands principes du package ainsi que plusieurs cas d’application. Dans un second temps, nous discuterons de son développement : l’organisation des sprints, les pratiques mis en place ainsi que les différents outils utilisés pour son déploiement et le maintien du code. Avec l’essor des applications et des bibliothèques d’apprentissage profond, nous discuterons des choix permettant l’interopérabilité du package avec des backends de premier plan : Numpy, PyTorch et Tensorflow. Enfin, nous discuterons de la marche à suivre pour l’intégration de nouvelles fonctionnalités comme le support d’unité de calculs matriciels (GPUs).