Pour gérer vos consentements :

Machine Learning : qui fait quoi sur GitHub

Quel est l’état du Machine Learning et la Data Science sur GitHub ? La plateforme, propriété de Microsoft depuis  juin dernier,  a fait un relevé des contributions sur l’ensemble de l’année 2018 en comptabilisant le code partagé, les commentaires et les Pull Request

Quel langage pour le Machine Learning ?

Python est en tête des référentiels liés au Machine Learning.  A noter que les langages Julia et R  sont couramment utilisés par les scientifiques des données (data scientists), et Scala est de plus en plus apprécié pour interagir avec des systèmes de Big Data comme Apache Spark.

Principales librairies



GitHub a calculé le pourcentage de projets ayant importé des librairies Python populaires.

– Numpy prend en charge des opérations mathématiques sur des données multidimensionnelles, est la plus importée ; elle est utilisée dans près des trois quarts des projets de Machine Learning et de Data Science.
Scipy, une librairie de calcul scientifique, pandas, une librairie de gestion de jeux de données, et matplotlib, une bibliothèque de visualisations, sont utilisées dans plus de 40 % des projets Machine Learning et de Data Science.
Scikit-learn contient des implémentations d’un grand nombre d’algorithmes de Machine Learning ; elle est utilisée dans près de 40 % des projets.
tensorflow est un outil conçu pour travailler avec des réseaux neuronaux, est employé dans près d’un quart des librairies.

Projets Machine Learning


Tensorflow est de loin le projet le plus populaire, avec plus de cinq fois plus de contributeurs que le deuxième du classement, scikit-learn.

Deux projets, explosion/spaCy et RasaHQ/rasa_nlu, sont consacrés aux problématiques de traitement en langage naturel (NLP), et quatre sont dédiés au traitement d’images : CMU-Perceptual-Computing-Lab/openpose, thtrieu/darkflow, ageitgey/face_recognition et tesseract-ocr/tesseract.

Le code source du langage Julia a également enregistré l’un des plus grands nombres de contributions en 2018.

Source : Rapport Octoverse 2018 de GitHub

Recent Posts

Quels standards pour la cryptographie post-quantique ?

À l'issue d'une procédure de six ans, le NIST a sélectionné quatre algorithmes à standardiser…

1 heure ago

DMA, DSA : une régulation à la hauteur des « Big Tech » ?

Le Parlement européen a définitivement adopté le DMA et le DSA ce 5 juillet. Des…

6 heures ago

DevSecOps : Snyk plie mais ne rompt pas

Snyk rejoint la liste de licornes de la cybersécurité qui réduisent leurs effectifs pour affronter…

22 heures ago

Scribe : les enseignements à tirer de l’échec de ce projet d’État

Un seul logiciel pour la rédaction des procédures entre police et gendarmerie. C'était l'objectif du…

23 heures ago

HackerOne : quand un initié détourne le bug bounty

Un employé de HackerOne aurait exploité à des fins personnelles des rapports de sécurité soumis…

1 jour ago

Jean-Noël Barrot, nouveau ministre délégué chargé du numérique

Jean-Noël Barrot est nommé ministre délégué chargé de la Transition numérique et des Télécommunications du…

2 jours ago