Apprentissage automatique et Rust : de la théorie au code de production

Ce livre est un guide pratique pour utiliser le langage Rust dans les tâches d'apprentissage automatique. Si vous connaissez déjà le ML en Python (sklearn, PyTorch, TensorFlow) et souhaitez transférer vos compétences dans l'écosystème Rust, cette édition est faite pour vous. L'auteur, Alexeï Vetrov, ingénieur senior avec 10 ans d'expérience en production, montre étape par étape comment construire des systèmes ML rapides et sécurisés.

De quoi parle le livre :

• Les bases du traitement des données en Rust : les bibliothèques ndarray, polars, csv.
• Implémentation d'algorithmes classiques (régression linéaire, kNN, arbres de décision) sans frameworks.
• Utilisation des bibliothèques ML modernes : linfa, smartcore, burn.
• Inférence et service de modèles : chargement ONNX, TensorFlow SavedModel, travail avec tract.
• Optimisation des performances : parallélisme (rayon), SIMD, mise en cache, traitement des grandes données.
• Construction de pipelines de production : gestion des erreurs, journalisation, benchmarking.
• Déploiement de services ML : API REST avec Actix-web, gRPC, WebAssembly pour le navigateur.

Pour qui est ce livre :

• Data Scientists et ingénieurs ML fatigués des pipelines lents en Python.
• Développeurs Rust souhaitant maîtriser l'apprentissage automatique.
• Ingénieurs travaillant sur des systèmes embarqués, des périphériques edge ou des applications temps réel.
• Tous ceux qui veulent écrire du code ML qui ne plante pas avec des erreurs mémoire et qui fonctionne 10 fois plus vite.

Ce que vous apprendrez :

• Comment charger, nettoyer et transformer les données plus efficacement qu'avec pandas.
• Comment entraîner un modèle « à partir de zéro » en Rust et comparer sa précision avec des équivalents Python.
• Comment sérialiser un modèle et l'exécuter sur un serveur sans dépendances Python.
• Comment utiliser le système de types de Rust pour prévenir les erreurs dans les pipelines ML.
• Comment intégrer un module Rust dans un projet Python existant via PyO3.

Tous les exemples de code sont disponibles sur GitHub et testés sur des jeux de données réels. Le livre est écrit dans un langage clair, axé sur la pratique, sans théorie superflue. Idéal pour l'auto-apprentissage et comme référence pour la production.

Plongez dans le monde de l'apprentissage automatique rapide, fiable et moderne avec Rust !