#+Title: Journal (2022-01-13 - ∆y=44.86 (16385))
#+Author: Yann Esposito
#+Date: [2022-01-13]
#+LANG: fr

* Résume Journée
:PROPERTIES:
:VISIBILITY: content
:CREATED:  20220113
:END:

** Matin
:PROPERTIES:
:VISIBILITY: content
:CREATED:  20220113
:END:

 | Pression au travail ?                        | ?/5 |
 | Motivé de commencer la journée ?             | ?/5 |
 | Est-ce que je me sens plein d'énergie ?      | ?/5 |
 | Est-ce que je me sens concentré et préparé ? | ?/5 |

- Que dois-je faire en dehors du travail ?

** Soirée
:PROPERTIES:
:CREATED:  20220113
:END:
 | activité φ | ?/5 | au lit     -> sport         |
 | nourriture | ?/5 | mal-bouffe -> saine         |
 | humeur     | ?/5 | exécrable  -> excellente    |
 | énergie    | ?/5 | exécrable  -> excellente    |
 | intérêt    | ?/5 | ennuie     -> exceptionnel  |
* 2022-01-13 Thursday
** 09:19

Ce matin, Krystelle travaille et Bastien, Jena et Anna sont isolés dans
leur quartiers ;).

Je suis allé acheter des viennoiseries, et il faudra les nourrir à midi.

Une idée m'est passé par la tête.
Un moyen de fédérer mon amour du machine learning et des languages de programmation.
L'idée serait de créer un nouveau language de programmation qui rende le ML first-class.

Alors, je n'ai pas creusé, et je vais essayer de décrire ce qu'il faudrait
faire.

1. Avec le ML il y a une phase d'apprentissage, et une phase d'application.
2. Avec les langages, il y a une phase de compilation et une phase d'évaluation.

Donc nous pourrions probablement, trouver quelque chose qui unifie les deux notions.
Tout d'abord, il faudrait travailler avec un système qui peut facilement
connecter de la "data" utilisable par les algorithmes de ML.

Donc il faudrait un lib extensive capable d'absorber toute sorte de format
de données.
Il faut ensuite une lib capable de filtrer ces donnes avec aussi beaucoup
de méthodes différentes.
Il faut ensuite une lib capable de sélectionner un algorithme de ML pour
"apprendre" à partir de ces données.
Une fois l'apprentissage terminer, le résultat des algorithmes de ML peut
avoir une forme différente:

- un classifieur (un fonction qui prend en entrée des data similaire et
  renvoie une classe)
- un système de score (qui est plus générique que le classifieur, il prend
  des data similaires en entrée et renvoie un score multidimentionel par classe)
- un générateur (utiliser le modèle d'apprentissage pour engendrer des
  exemples qui seraient cohérents avec les donnés)

Pour faire un poc, il faudrait utiliser le système le plus simple possible,
des data dans \(\mathbb{R}^n\), utiliser naive Bayes comme classifieur.

Ainsi nous pourrions imaginer une première étape naive, où l'apprentissage
serait limité à compile time. Ce qui permettrait d'engendrer des programmes
rapides à runtime.

Mais, pour aller plus loin, il faudrait pouvoir boucler, avoir un système
récursif.
Ainsi, il faut qu'un modèle puisse être utilisé pour les étapes suivantes,
et le programmes devrait pouvoir se mettre à jour automatiquement lors
d'une exposition à de nouvelles données.

Je vais garder cette petite idée pas très claire dans un coin de ma tête.