Le mois de mai était un mois rempli de ponts et de jours fériés. Il est donc normal que vous ayez pris un peu de vacances et de repos.
Cependant, vous avez pu échapper à des articles de blog importants durant ce mois de mai.
Cet article est là pour faire le point :
TOP 3 – IoT
Retour sur l’IoT à Devoxx et Mix-IT 2015
Devoxx et Mix-IT sont des conférences organisées par les développeurs et pour les développeurs et abordent de nombreux thèmes: Agilité, architecture, Java, Cloud, Web, Big data. Il y a eu aussi des présentations sur le thème de l’Internet des objets (IoT) et les objets connectés. Nous vous proposons un retour rapide sur les principaux sujets abordés dans les différentes présentations IoT !
TOP 2 – OUTIL PRATIQUE A TELECHARGER
Découvrez le Craftsman Daily Workflow
Le Craftsman Daily Workflow regroupe quelques unes des activités que nos Craftsmen s’efforcent d’appliquer au quotidien. On y parle de boucles TDD (simples ou doubles) ainsi que de refactorings. En complément, des QR codes sont là pour vous guider vers nos Xebia Essentials qui vous permettront d’approfondir les différentes étapes de cet outil.
TOP 1 – DATA
Avec plus de 400 lectures, restez informés sur le domaine de la Data Science et de ses outils :
Les outils de la Data Science : Spark MLlib, théorie et concepts (1/2)
Par nature, la plupart des algorithmes de Machine Learning sont itératifs: plusieurs passages sur les données sont nécessaires, générant ainsi de nombreux jobs MapReduce et beaucoup de lecture/écriture sur disque. Avec l’apparition de Spark, et de sa librairie de Machine Learning associée MLlib, ces contraintes se sont envolées, améliorant drastiquement les performances obtenues.
Cet article a pour but de présenter et de comprendre MLlib sous un angle plus théorique, et sera suivi d’un second article le présentant sous un aspect plus pratique avec une utilisation des principaux algorithmes de Machine Learning. Nous allons donc voir ici les spécificités de MLlib, à savoir son fonctionnement global, le type de données qu’elle requiert, ainsi que le mode de construction des algorithmes. Toutes ces notions sont importantes pour utiliser MLlib de manière optimale.