Si t’es intéressé par le Machine Learning mais que tu ne sais pas par où débuter, cet article est fait pour toi ! 🔥
On va passer en revue les étapes que tu dois suivre pour te lancer dans le Machine Learning en Python.
Python est un excellent langage pour débuter le Machine Learning, car il bénéficie d’une communauté importante (qui répondra à toutes tes question).
En plus de cela, c’est un language facile à apprendre qui possède une multitude de ressources et de bibliothèques qui t’aideront dans tes projets.
Cet article est donc fait pour ceux qui veulent commencer le Machine Learning. Si tu n’es pas encore familier avec ce domaine, je te recommande notre article qui présente les principes fondamentaux.
Maintenant, on peut commencer !
Installer Python
Tout d’abord tu dois installer Python sur ton ordinateur
Pour ça, tu peux télécharger la version la plus récente du langage, sur le site officiel.
Télécharge la version Mac ou PC selon ton ordinateur.
Puis installe le programme.
Après l’installation, tu va pouvoir installer les principales bibliothèques de Machine Learning.
Ces bibliothèques sont NumPy, Pandas et scikit-learn.
Tu peux installer ces bibliothèques à l’aide du gestionnaire de paquets pip fourni avec Python.
Pour installer une bibliothèque à l’aide de pip, ouvre un terminal (cherche Terminal sur Mac ou Cmd Prompt sur Windows).
Tu peux installer une libraire comme cela :
pip install library_namePar exemple, pour installer NumPy :
pip install numpyTu peux installer plusieurs bibliothèques à la fois en les séparant par un espace, comme ceci :
pip install numpy pandas scikit-learnUne fois que tu as installé les bibliothèques nécessaires, tu dois choisir un environnement de programmation (aussi appelé Éditeur de Code).
Éditeur de code
C’est dans cet environnement que tu pourras coder et exécuter tes programmes Python.
Plusieurs options s’offre à toi. Voilà les plus sollicités :
Cet environnement te permettra d’écrire ton programme dans un fichier .py et d’exécuter ce code depuis un terminal.
Par exemple avec Visual Studio Code, tu peux créer un nouveau fichier dans Fichier > Nouveau Fichier.
Quand tu l’enregistre, donne lui un nom en ajoutant à la fin l’extension .py.
Ensuite tu peux aller dans Terminal > Nouveau Terminal.
Un Terminal s’ouvre dans lequel tu peux lancer ton programme avec la commande :
python ton_fichier.pySinon tu peux utiliser un simple éditeur de texte et exécuter ton code à partir d’un terminal que tu ouvre sur ton ordinateur.
L’alternative des Data Scientists : les Notebooks
Un Notebook est un document qui combine du texte, du code et d’autres types de contenu dans un seul document interactif.
Les notebooks sont largement utilisés par les Data Scientists et les Machine Learning Engineer.
Ils constituent un moyen pratique et puissant d’organiser et de présenter du code, des résultats et des explications dans un seul document.
Il existe plusieurs types de notebooks, notamment les notebooks Jupyter et les notebooks Colab.
Tu peux créer et éditer des notebooks à l’aide d’une application ou d’un environnement de développement en ligne, comme Jupyter, Google Colab ou Azure Notebooks.
Au fait, si ton objectif est d'apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
À présent, on peut revenir à ce que je mentionnais précédemment.
L’option la plus prisée est Anaconda dans lequel tu peux utiliser des Jupyter Notebook.
Les notebooks, comment ça marche ?
Les notebooks fonctionnent par cellules.
Une cellule est un bloc de code que tu peux exécuter indépendamment des autres cellules.
Elles sont utilisées pour écrire et exécuter du code, afficher des résultats, ajouter du texte et d’autres types de contenu au notebook.
Il existe deux types de cellules : les cellules de code et les cellules de texte.
Les cellules de code sont utilisées pour écrire et exécuter du code, tandis que les cellules de texte sont utilisées pour ajouter du texte, des équations et d’autres types de contenu au notebook.
Pour créer une nouvelle cellule dans un notebook, tu peux cliquer sur le bouton « + Code » ou « + Texte » dans la barre d’outils située en haut du notebook.
Pour exécuter une cellule, tu peux soit cliquer sur le bouton « Play » dans la barre d’outils, soit utiliser le raccourci clavier Shift+Enter. Cela exécutera le code dans la cellule et affichera les résultats.
Par ailleurs, si tu crées une variable dans une cellule d’un notebook, tu y aura accès dans d’autres cellules du même notebook.
En effet, les notebooks sont exécutés dans un seul interpréteur Python, ce qui signifie que toutes les cellules du notebook partagent le même environnement global.
Le cas Google Colab
Tu peux aussi faire du Machine Learning sans installation.
Mais pour ça tu auras besoin d’internet.
Sur Google Colab tu peux écrire et exécuter ton code facilement sur des notebooks.
Google Colab est un environnement de développement en ligne gratuit qui tu peux permet d’écrire et d’exécuter du code en Python.
Les notebooks Colab sont basés sur les notebooks Jupyter.
Comme les notebooks Jupyter, les notebooks Colab sont composés de cellules qui peuvent contenir du code, du texte, des équations et d’autres types de contenu.
L’un des principaux avantages des notebooks Colab est qu’ils peuvent être facilement partagés. Effectivement ils sont stockés dans Google Drive et peuvent être partagés avec d’autres personnes par le biais d’un lien.
Plusieurs personne peuvent ainsi collaborer sur le même notebook, le lire, le modifier et l’exécuter.
En plus de cela, les notebooks Colab sont particulièrement utiles pour faire du Machine Learning.
Ils donnent accès à de puissantes ressources informatiques, telles que les GPU et les TPU, qui peuvent accélérer considérablement le processus d’apprentissage des modèles de ML.
Ils sont également fournis avec un grand nombre de bibliothèques couramment utilisés dans le ML, tels que NumPy, Pandas et scikit-learn.
Ainsi tu n’as même pas besoin de les installer.
Cela fait des notebooks Colab une alternative pratique et puissante pour remplacer les éditeur de code classique.
Et après ?
Une fois ton environnement de développement configuré et les bibliothèques nécessaires installées, tu es prêt à débuter ton exploration du Machine Learning avec Python !
Tu peux commencer par te familiariser avec différents algorithmes de Machine Learning.
Au fur et à mesure que tu gagneras en expérience, tu pourras commencer à travailler sur tes propres projets.
Inside Machine Learning met à ta disposition des tutoriels gratuit pour faire du Machine Learning.
Voici une série de tutoriels pensés pour les débutants :
- Machine Learning avec la bibliothèque Scikit-Learn
- Deep Learning avec la bibliothèque Keras
- Data Science (une composant essentielle du Machine Learning)
- L’algorithme Arbre de Décision (l’un des plus connues du Machine Learning)
C’est la fin de cet article pour débuter en Machine Learning.
À bientôt sur Inside Machine Learning 😉
débuter Machine Learning
Un dernier mot, si tu veux aller plus loin et apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
