Un mauvais choix de structure de données est à l'origine de 60 % des goulots d'étranglement en matière de performances du ML, ce qui rend les choix architecturaux extrêmement critiques. Cette formation permet aux développeurs Java de créer des systèmes de traitement de données ML hautement performants, capables de gérer des ensembles de données à l'échelle de l'entreprise. Grâce à la mise en œuvre pratique de tableaux, de tables de hachage, d’arbres, de tas, de graphes et d’arbres tris, vous maîtriserez des techniques d’optimisation des performances permettant d’obtenir des gains mesurables de 2 à 10 fois supérieurs à ceux des approches naïves. Vous concevrez des solutions évolutives à l’aide de structures avancées telles que les arbres de segments et les matrices creuses, qui s’intègrent de manière transparente aux frameworks Java de ML, notamment Weka, Smile et DL4J. Des ateliers interactifs d’évaluation des performances simulent des scénarios de production réels, notamment des défis d’optimisation de la mémoire, des modèles d’accès concurrents et des goulots d’étranglement liés à la mise à l’échelle dans le cadre des contraintes d’entreprise.

Ce cours est idéal pour les développeurs logiciels, les data scientists et les ingénieurs en IA qui souhaitent approfondir leur compréhension des structures de données et améliorer les performances des workflows d’apprentissage automatique. Il est également utile pour les apprenants qui se préparent à occuper des postes avancés dans l’architecture logicielle, la conception d’algorithmes ou l’optimisation de systèmes d’apprentissage automatique. Les apprenants doivent posséder des compétences de base en programmation Python, notamment une bonne maîtrise de bibliothèques telles que Pandas et Scikit-learn, ainsi qu’une compréhension fondamentale des concepts d’apprentissage automatique tels que l’entraînement, la validation et les algorithmes courants. À l’issue de ce cours, vous serez en mesure de concevoir des pipelines de traitement des données garantissant des temps de réponse inférieurs à la milliseconde, de mettre en œuvre des solutions économes en mémoire pour des ensembles de données comportant plus d’un million d’enregistrements, et de créer des systèmes de surveillance assurant des performances constantes à grande échelle. Ce cours vous apporte l’expertise nécessaire pour éliminer les inefficacités structurelles qui affectent la plupart des systèmes de production d’apprentissage automatique.