[RDV Tech] La data science se met au service alimentaire

RDV Tech: La data science se met au service de la production alimentaire décentralisée avec Anaconda

[RDV Tech] La data science se met au service alimentaire

RDV Tech: La data science se met au service de la production alimentaire décentralisée avec Anaconda

La data science se met au service de la production alimentaire décentralisée avec Anaconda

Depuis Avril 2017, Myfood et Agile Partner se sont rapprochés dans le cadre d’une collaboration. Durant une mission de 4 mois, Angelo Pacifico a apporté un éclairage technique à une des questions que se posait la jeune start-up.

 

Myfood se décrit comme une entreprise innovante dans le domaine de la permaculture et des serres aquaponiques pour particuliers. C’est dans ce contexte stimulant que le projet s’est déroulé. Comme dans toute expérience scientifique, Agile Partner – à l’aide de ses outils de data science – a apporté des réponses concrètes à une problématique très précise. Cette étude est réalisée avec l’aide d’un des écosystèmes de data science très populaire et qui a déjà conquis des millions d’utilisateurs, la distribution Anaconda.

Nom : Anaconda

Genre : Distribution gratuite Python pour la datascience

Première version : 0.9, le 20 février 1991 – Dernière version en date : 4.4, le 31 mai 2017

Anaconda est distribué et maintenu par Continuum Analytics.

L’écosystème Anaconda s’appuie, comme vous pouvez le voir dans le diagramme ci-dessous, sur la distribution gratuite sous licence BSD.  La fondation de cette distribution utilise le langage Python ainsi qu’un gestionnaire de paquet et de version appelé Conda.

Conda permet d’installer de nombreux outils pour le développement avec python et on dénombre à ce jour, plus de 1000 paquets destinés au data science. Anaconda est utilisé partout dans le monde pour les enseignements scientifiques et techniques mais aussi dans les offres des grands partenaires.

Nous citerons ici Microsoft qui l’intègre dans sa nouvelle mouture de SQL server 2017. Il devient possible de faire des traitements de datascience comme le Machine Learning, sans que les données aient à quitter le serveur qui les hébergent et tout en gardant le paradigme des procédures stockées bien connues des développeurs. Cette approche élégante préserve le caractère sensible que représentent les données pour ce genre de traitement.

 

Analyse par Angelo Pacifico – Directeur chez Agile Partner

 

Lire la suite sur ITNation
Annabelle Buffart

<p>Web geek</p>

No Comments

Post a Comment

Comment
Name
Email
Website