🤖 Copilot est décrit comme une aide à la programmation qui interprète le contexte d'un code et des commentaires écrits précédemment pour faire des suggestions afin de les compléter. Comme son nom l'indique, il s'agit en réalité de simuler une sorte de pair programming. Développé à l'aide d'OpenIA, le programme a été entraîné grâce à des milliards de lignes de code public. Dans les exemples donnés par GitHub, on peut voir un commentaire décrivant la logique d'une fonction et le nom de celle-ci être interprétés par Copilot, qui propose alors des lignes de code pour créer la fonction en question.

Concernant les droits d'auteurs, GitHub assure que les développeurs pourront utiliser tout code généré par Copilot sans avoir à le créditer et celui-ci leur appartiendra. Des tests ont aussi été réalisés pour s'assurer qu'il ne copiait pas du code provenant de son échantillon d'entraînement.

Pour le moment, Copilot est disponible en tant qu'extension de Visual Studio Code pour un nombre limité de testeurs via ce lien. Le potentiel est bien sûr énorme, à voir si en pratique les résultats sont bons. Je suis convaincu que ce n'est qu'une question de temps avant que ce type de systèmes ne se généralise.

🐍 On déborde ici de la Data pour aller dans les cryptos avec cet article détaillé du responsable de l'IA de Tesla qui montre comment créer, signer numériquement et diffuser une transaction Bitcoin en Python pur, à partir de zéro et sans aucune dépendance.

🧑‍💻 Un repository qui référence et détaille les derniers MOOCs de Machine Learning trouvés sur YouTube !

🛠️ Dplyr est un peu à R ce que Pandas est à Python, mais ces deux langages contiennent également de très fortes similitudes avec SQL. Si vous êtes un adepte de R, de nombreuses tâches quotidiennes de gestion de données peuvent être résolues de manière efficace et intuitive par des opérateurs de Dplyr. Tour d'horizon !

📊 Tout est dans le titre et le résultat est très sympa, voir ci-dessous.

🐍 Mesurer l'utilisation de la mémoire en Python est délicat. Dans cet article, vous apprendrez un modèle simplifié mais informatif du fonctionnement de la mémoire. Vous explorerez les concepts de memory-resident et d’allocated-memory, comment les mesurer avec Python et les pour et contre de chaque méthode.

🔆 The New Stack propose ici un solide résumé des nouveautés de Grafana 8. Ça en met plein les mirettes !

🥊 Il y a quelques années, Pandas permettait de répondre à quasiment tous les besoins de traitement d'un dataset. Aujourd'hui, avec l'augmentation exponentielle de leurs tailles qui dépasse régulièrement celle de la RAM disponible sur nos machines, ce n'est plus possible. D'autres solutions comme Dask et Vaex ont alors émergé.

J'en ai déjà parlé précédemment mais pour rappel ces deux librairies ont pour but d'améliorer la vitesse des traitements en local, sur une machine standard multicore via différentes techniques dont la parallélisation. Voici ici une comparaison de ces deux outils qui possèdent chacun avantages et ses cas d'usages.

😍 Petite découverte qui ravira sans doute autant les parents que les enfants. Cette appli iPhone gratuite “scanne” votre tas de Lego, identifie automatiquement toutes les briques de ce dernier, et vous propose tout ce qu'il est possible de construire, et vous fournit même les notices détaillées pour y parvenir ! Certains diront qu'on va tuer l'imagination, moi je trouve ça génial. Pas encore de version Android mais c'est prévu.

💼 Voici une nouvelle ressource fantastique qui vise à fournir des connaissances complètes aux personnes se préparant à des entretiens en Data Science / Machine Learning. Il contient un large éventail de sujets, notamment les différents types d'emplois, le cycle de vie du ML, les types d'entreprises, les types de questions, un planning pour bien se préparer, etc.

🏀 ⚾ 🏒 ⛳ 🏈 🥊 Superbe liste de lecture qui vous occupera tout l'été si vous êtes passionné de sport et de Data ! La liste est découpée entre des ouvrages introductifs et généralistes et des livres sur chaque discipline sportive.

🇪🇺 La Commission européenne a récemment proposé un nouveau règlement pour les produits et services basés sur l'IA. Il interdira un petit nombre d'IA à risque inacceptable et définira un ensemble d'exigences pour les IA à haut risque. Pas mal d'usages du Machine / Deep Learning risquent d'être considérés comme à haut risque et seront donc affectés par cette nouvelle réglementation.

Si vous êtes curieux de lire le règlement afin de bien comprendre les discussions qui vont suivre, le voici dans ce lien.