Savoir concevoir un système robotique de la conception avec ROS jusqu'à la vision et détection et reconnaissance d'objets avec OpenCV et des solutions d’IA.

Introduction

• Présentation de Dask, fonctionnalités, apports.
• Comparaison avec d'autres environnements : yarn, spark.
• Calculs parallèles en environnements distribués, ou sur un seul serveur.
• Les composants de Dask : scheduler, collections BigData.

Premiers pas avec Dask

• Différentes méthodes d'installation : Anaconda, pip, depuis les sources
• Atelier : installation, et création d'objets Dask,
• Choix des méthodes et tâches, visualisation des graphes d'exécution.
• exécution par le scheduler.

Eléments de base

• Array : cas d'usages, compatibilité NumPy, définition de chunks, exemples, bonnes pratiques
• Atelier : création, stockage de Dask Array
• Bag : définition, limites
• Atelier : exemple de création, stockage, calcul sur des Dask Bags
• Dask Dataframes : regroupement de dataframes pandas, stockage sur disque ou dans un cluster,
• critères de choix par rapport aux dataframes pandas, bonne pratiques,
• compatibilité avec Parquet, intégration de tables SQL
• Atelier : mise en œuvre de dask.dataframes et comparaison avec pandas
• Delayed ou Futures : une exécution stockée dans un graphe d'actions, ou en temps réel, critères de choix.

Fonctionnement avancé

• Gestion des performances
• Configuration du scheduler
• Les graphes d'exécution
• Utilisation du dashboard
• Outils de debugging
• Atelier : tests de performances et debugging.

Dask.distributed

• Fonctionnalités : exécution dans un environnement distribué ou en local, outils de diagnostic et de suivi des performances, utilisation de l'API Futures pour des calculs en temps réel
• Architecture : dask-scheduler et dask-worker
• Atelier : mise en oeuvre de dask.distributed : installation, configuration, initialisation d'un client.
• Présentation du dashboard
• Analyse des performances
• Limites de Dask.distributed
• Bonnes pratiques.

Dask-ML

• Apports : utiliser les outils classiques de machine learning comme scikit-learn dans un environnement Dask
• Exemples d'utilisation : modèles complexes, volumes de données importants
• Présentation de Dask-ML et principe de fonctionnement
• Intégration scikit-learn, PyTorch, Keras / Tensorflow
• Atelier : Installation et exemples avec scikit-learn.

À qui s’adresse cette formation ?

Chefs de projets, ingénieurs et concepteurs robotiques.

Quels sont les prérequis ? 

Connaissance générale des systèmes d'informations, d'un langage de programmation comme Python.
 

Méthodes pédagogiques 

• Apports théoriques suivis d’applications 
• Travaux pratiques réalisés 
   

Méthodes d'évaluations

• QCM d'évaluation des acquis

• À l’issue de cette formation, un certificat ESIEE-IT vous sera délivré.

Pour vous inscrire, envoyez un mail à formationcontinue@esiee-it.fr  (réponses sous 48heures).