Exporter et miniaturiser

La Data Science Expliquée

Après avoir produit un algorithme de machine learning, pour le mettre en production il faut pouvoir l'intégrer à des machines moins puissantes. impossible de le ré-entraîner sur celles-ci mais fort heureusement il existe des solutions. Le physicien Erwin Schrödinger se demandait : "comment peut-on expliquer à l'aide de la physique et de la chimie le événements qui se produisent dans l'espace et dans le temps dans les limites spatiales d'un organisme vivant ?" et moi je vais tenter de vous expliquer ce phénomène appliqué au machine learning : comment intégrer des algorithmes conçus sur supercalculateurs dans nos téléphones ?

TensorFlow : https://www.tensorflow.org/

TensorFlow Lite : https://www.tensorflow.org/lite/

Core ML : https://developer.apple.com/documentation/coreml

PMML : http://dmg.org/pmml/v4-4-1/GeneralStructure.html

pickle : https://docs.python.org/3/library/pickle.html