Apprentissage automatique et Kotlin : de l'idée au modèle de production

Si vous êtes développeur Kotlin et souhaitez maîtriser l'apprentissage automatique sans passer à Python, ce livre est fait pour vous. Dmitri Volkov, ingénieur praticien avec dix ans d'expérience, montre comment construire des systèmes ML complets dans le langage natif de la JVM, en utilisant toute la puissance de l'écosystème Kotlin et la compatibilité avec les bibliothèques Python populaires.

Le livre est divisé en quatre parties logiques :

• Fondamentaux du ML en Kotlin — l'appareil mathématique (algèbre linéaire, statistiques, optimisation) avec des exemples en Kotlin pur. Vous apprendrez à implémenter la régression linéaire, la régression logistique et la méthode des k-plus proches voisins sans dépendances externes.



• Bibliothèques et outils — plongée approfondie dans Koma (calcul matriciel), KotlinDL (réseaux de neurones par JetBrains), DeepLearning4J (Deep Learning industriel) et l'intégration avec TensorFlow via l'API Java. Vous apprendrez à charger des modèles pré-entraînés et à les affiner pour vos propres tâches.



• Intégration avec l'écosystème Python — exécution de scripts Python via ProcessBuilder, utilisation de Jupyter Notebooks pour le prototypage et application de DJL (Deep Java Library) pour une interaction transparente avec les modèles PyTorch et TensorFlow directement depuis le code Kotlin.



• Systèmes ML en production — construction de pipelines de traitement de données, sérialisation de modèles aux formats PMML et ONNX, déploiement via Spring Boot, surveillance de la dérive des données et tests A/B de modèles en temps réel.

Une attention particulière est accordée aux cas pratiques :

• Classification d'avis textuels avec NLP en Kotlin
• Prévision de séries temporelles (ventes, trafic) avec des réseaux récurrents
• Système de recommandation basé sur le filtrage collaboratif
• Détection d'anomalies dans les journaux serveur
• Vision par ordinateur : classification d'images avec KotlinDL

Tous les exemples sont accompagnés de code fonctionnel, disponible dans le dépôt. Vous apprendrez non seulement à entraîner des modèles, mais aussi à les intégrer dans des applications réelles — d'Android aux microservices serveur. Le livre convient aux développeurs connaissant les bases de Kotlin et Java, mais ne nécessite pas de connaissances préalables en ML. Pour ceux qui souhaitent rester dans l'écosystème JVM sans sacrifier les capacités modernes de la Data Science.

En fin d'ouvrage, un projet transversal vous attend : création d'un service ML pour prédire l'attrition des clients — de la collecte de données au déploiement dans Kubernetes avec Ktor et Kafka. Vous obtiendrez un modèle prêt à l'emploi pour construire vos propres produits ML en Kotlin.

Le livre est publié en couverture rigide, contient plus de 400 pages, plus de 80 illustrations et des codes QR vers des leçons vidéo. Un choix idéal pour ceux qui souhaitent écrire de l'apprentissage automatique dans un langage qu'ils connaissent et aiment.