Depuis octobre 2017, Charbel est consultant Meritis et en mission au Crédit Agricole. Il est Data Scientist, spécialiste en Intelligence Artificielle. Après un Master en Intelligence Artificielle de l’UPMC, spécialisé …
Le mercredi 23 mai à 18h45, Meritis accueille une nouvelle fois la communauté Paris Machine Learning !
La recommandation peut se baser sur le principe de similarité: si vous consultez la page d’un portable sur le site, on va probablement vous proposer des portables similaires que celui …
Le mercredi 8 novembre, Meritis assistait à l’Artificial Intelligence Finance Summit qui avait lieu à Zurich cette année. Un de nos consultants y présentait le résultat de ses recherches.
L’article précédent traitait du concept de partition en Spark et des méthodes permettant de re-partitionner ses données. Mais pour quoi faire ?
Si vous développez en Spark, vous vous êtes déjà rendu compte que certains de vos algorithmes, qui semblent pourtant si simples, prennent énormément de temps à s’exécuter, sans savoir pourquoi. Ce peut être dû à un problème de partitionnement.
Regardons ensemble les difficultés que vous pouvez rencontrer dans vos programmes ainsi que des techniques pour les résoudre.
Aujourd’hui, on entend beaucoup parler des technologies Big Data : les chefs de projets en parlent et souhaitent expérimenter l’apport de ces technologies en termes de scalabilité, les commerciaux parlent de missions Big Data et de DataLab chez les clients, les RH cherchent des experts Big Data et des développeurs Hadoop qu’ils n’arrivent pas facilement à trouver.
Un nombre très important de frameworks Big Data a vu le jour ces dernières années et l’écosystème Big Data est en pleine effervescence. Cependant, compte tenu du manque de maturité de son écosystème, plusieurs frameworks disparaissent à cause de leur complexité ou non adéquation avec les nouveaux besoins.
