Apprentissage automatique et Go (Golang) : des bases à la production

Ce livre est le premier guide pratique en français sur la création de systèmes d'apprentissage automatique en langage Go. Si vous êtes un développeur Go souhaitant intégrer le ML dans vos projets, ou un data scientist intéressé par un langage performant et fiable pour la production, ce livre est pour vous.

De quoi parle le livre

Le livre couvre le cycle complet du travail avec l'apprentissage automatique en Go : de la collecte et du prétraitement des données, à la construction de modèles (régression linéaire, arbres de décision, réseaux de neurones) jusqu'à leur déploiement dans une architecture de microservices. Une attention particulière est accordée à :

• Bibliothèques et frameworks : golearn, Gorgonia, gonum, tfgo (TensorFlow pour Go) ;
• Traitement de grands volumes de données à l'aide de canaux (channels) et de goroutines ;
• Intégration avec des services ML externes (TensorFlow Serving, ONNX Runtime) ;
• Création d'API REST/gRPC pour les modèles ;
• Tests, surveillance et tests A/B des systèmes ML.

À qui s'adresse ce livre

• Développeurs Go qui souhaitent ajouter l'apprentissage automatique à leur stack ;
• Data scientists désireux de passer de Python à un Go plus performant ;
• Ingénieurs DevOps responsables du déploiement de modèles ML ;
• Étudiants et enseignants de cours d'apprentissage automatique.

Ce que vous apprendrez

• Comment choisir l'outil adapté à une tâche ML spécifique en Go ;
• Comment construire et entraîner un modèle de régression, de classification et de clustering ;
• Comment optimiser un modèle pour une charge élevée et une faible latence ;
• Comment intégrer un modèle dans un service Go existant (par exemple, avec les frameworks Gin ou Echo) ;
• Comment utiliser ONNX pour transférer des modèles entre Python et Go ;
• Comment écrire des tests unitaires pour les composants ML et gérer les versions de modèles (DVC, Git LFS).

Pourquoi Go pour le ML ?

Go combine les performances du C/C++ avec la simplicité de Python. Il est idéal pour la production : typage statique, compilation rapide, prise en charge intégrée du parallélisme. Le livre montre comment ces avantages aident à construire des systèmes ML évolutifs et fiables.

Exemple tiré du livre

Dans le chapitre 5, vous implémenterez un service de recommandations basé sur le filtrage collaboratif — du chargement des données à partir d'un CSV jusqu'au déploiement dans Docker avec Kubernetes. Le code complet et les tests sont disponibles dans le dépôt.

Le livre est destiné aux lecteurs ayant une connaissance de base de Go (syntaxe, structures, interfaces) et les fondamentaux de l'apprentissage automatique (ce que sont les caractéristiques, les métriques, le surapprentissage).