Machine Learning – Comment débuter ? – Ce que tu dois savoir

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_name

Par exemple, pour installer NumPy :

pip install numpy

Tu peux installer plusieurs bibliothèques à la fois en les séparant par un espace, comme ceci :

pip install numpy pandas scikit-learn

Une 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.py

Sinon 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.

LA MÉTHODE PARÉ POUR FAIRE DU DEEP LEARNING !

Reçois tes 7 JOURS De Formation GRATUITE Pour Apprendre À Créer TA PREMIÈRE INTELLIGENCE ARTIFICIELLE !

Pendant les 7 prochains jours je vais te montrer comment utiliser les Réseaux de neurones.

Tu vas comprendre ce qu'est le Deep Learning avec des exemples concrets qui vont te rester dans la tête.

ATTENTION, cette série d’email ne s’adresse pas à tout le monde. Si tu es du genre à aimer les cours théoriques et scolaires tu peux passer ta route.

Mais si tu souhaite apprendre la méthode PARÉ pour faire du Deep Learning, clique ici :

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 :

C’est la fin de cet article pour débuter en Machine Learning.

À bientôt sur Inside Machine Learning 😉

débuter Machine Learning

LA MÉTHODE PARÉ POUR FAIRE DU DEEP LEARNING !

Reçois tes 7 JOURS De Formation GRATUITE Pour Apprendre À Créer TA PREMIÈRE INTELLIGENCE ARTIFICIELLE !

Pendant les 7 prochains jours je vais te montrer comment utiliser les Réseaux de neurones.

Tu vas comprendre ce qu'est le Deep Learning avec des exemples concrets qui vont te rester dans la tête.

ATTENTION, cette série d’email ne s’adresse pas à tout le monde. Si tu es du genre à aimer les cours théoriques et scolaires tu peux passer ta route.

Mais si tu souhaite apprendre la méthode PARÉ pour faire du Deep Learning, clique ici :

Tom Keldenich
Tom Keldenich

Data Engineer & passionné d'Intelligence Artificielle !

Fondateur du site Inside Machine Learning

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Enter your email to receive for free

The PANE method for Deep Learning

* indicates required

 

You will receive one email per day for 7 days – then you will receive my newsletter.
Your information will never be given to third parties.

You can unsubscribe in 1 click from any of my emails.

Entre ton email pour recevoir gratuitement
la méthode PARÉ pour faire du Deep Learning


Tu recevras un email par jour pendant 7 jours - puis tu recevras ma newsletter.
Tes informations ne seront jamais cédées à des tiers.

Tu peux te désinscrire en 1 clic depuis n'importe lequel de mes emails.