Installation et Environnement

Maintenant que nous avons exploré les bases théoriques du Machine Learning et les outils de manipulation et de visualisation de données, il est temps de mettre en place notre environnement de développement.

Pourquoi un Environnement Dédié ?

Il est crucial de travailler dans un environnement de développement dédié pour plusieurs raisons :

• Isolation des dépendances : Votre projet de Machine Learning aura besoin de versions spécifiques de Python et de certaines librairies (TensorFlow, Keras, NumPy, pandas, matplotlib, etc.). Un environnement dédié permet d'éviter les conflits avec d'autres projets ou avec les installations système de Python.
• Reproductibilité : Un environnement dédié facilite la reproductibilité de votre travail. Vous pourrez facilement partager votre environnement avec d'autres personnes, ou le recréer sur une autre machine.
• Propreté : Un environnement dédié permet de garder votre installation Python principale propre et ordonnée.

Outils que Nous Allons Installer

Dans cette partie, nous allons installer les outils suivants :

1. Python : Le langage de programmation que nous allons utiliser.
2. venv : Un outil Python standard pour créer des environnements virtuels.
3. TensorFlow et Keras : Les frameworks de Machine Learning que nous allons utiliser.
4. Jupyter Notebook : Un environnement interactif pour écrire et exécuter du code Python, visualiser les résultats et rédiger des documents.
5. NumPy, pandas, matplotlib : Les librairies que nous avons déjà découvertes pour la manipulation et la visualisation de données.

Prérequis

• Un ordinateur avec un système d'exploitation compatible (Windows, macOS, Linux).
• Une connexion Internet pour télécharger les logiciels et les librairies.
• Des droits d'administrateur (pour installer Python, si nécessaire).

info

Nous allons détailler les étapes d'installation pour chaque outil. Si vous avez déjà certains de ces outils installés, vous pourrez adapter les instructions en conséquence.

Installation des outils

Installation de Python

Si vous n'avez pas déjà Python installé sur votre ordinateur, vous devez le télécharger et l'installer. Nous recommandons d'utiliser Python 3.9–3.12.

• Téléchargement : Rendez-vous sur le site officiel de Python : https://www.python.org/downloads/

  Choisissez la version adaptée à votre système d'exploitation (Windows, macOS, Linux) et téléchargez l'installeur.

• Installation :

  • Windows :
    • Exécutez l'installeur téléchargé.
    • Important : Cochez la case "Add Python X.Y to PATH" (où X.Y est la version de Python) pendant l'installation. Cela vous permettra d'utiliser Python depuis n'importe quel terminal.
    • Suivez les instructions de l'installeur.
  • macOS :
    • Exécutez l'installeur téléchargé.
    • Suivez les instructions de l'installeur.
  • Linux :
    • La plupart des distributions Linux incluent déjà Python. Vous pouvez vérifier la version installée en ouvrant un terminal et en tapant :

      python3 --version

    • Si Python 3 n'est pas installé, ou si vous souhaitez installer une version plus récente, utilisez le gestionnaire de paquets de votre distribution. Par exemple, sur Ubuntu ou Debian :

      sudo apt update
      sudo apt install python3 python3-pip python3-venv

• Vérification

  • Ouvrez un terminal et tapez, pour vérifier si l'installation à bien été effectuée :

  python --version

Création d'un Environnement Virtuel avec venv

Un environnement virtuel est un dossier isolé qui contient une installation spécifique de Python et des librairies associées. Cela permet d'éviter les conflits entre différents projets qui pourraient nécessiter des versions différentes des mêmes librairies.

• Ouvrez un terminal (invite de commandes sur Windows).

• Choisissez un dossier où vous souhaitez créer votre environnement virtuel. Par exemple, vous pouvez créer un dossier my_ml_env sur votre bureau ou dans votre dossier personnel.

• Créez l'environnement virtuel :

  python3 -m venv /chemin/vers/my_ml_env

  Remplacez /chemin/vers/my_ml_env par le chemin complet vers le dossier que vous avez choisi.
  Par exemple :

• Windows : C:\Users\VotreNom\Desktop\my_ml_env

• macOS/Linux: /Users/VotreNom/Desktop/my_ml_env

• Activez l'environnement virtuel :

  • Windows :

    my_ml_env\Scripts\activate

  • macOS/Linux :

    source my_ml_env/bin/activate

  Après l'activation, votre invite de commande devrait afficher le nom de l'environnement virtuel entre parenthèses, par exemple : (my_ml_env) C:\Users\YourName\Documents>.

• Désactivation de l'environnement

deactivate

Installation de TensorFlow, Keras, NumPy, pandas et matplotlib

Une fois que votre environnement virtuel est activé, vous pouvez installer les librairies nécessaires avec pip, le gestionnaire de paquets de Python :

pip install tensorflow keras numpy pandas matplotlib

Cette commande va télécharger et installer les dernières versions stables de ces librairies dans votre environnement virtuel.

Prise en Main de Jupyter Notebook dans Visual Studio Code

Nous allons utiliser Jupyter Notebook directement dans Visual Studio Code (VS Code), un éditeur de code source puissant et extensible.

Pourquoi Utiliser Jupyter Notebook ?

Jupyter Notebook est un environnement interactif extrêmement populaire en science des données et en Machine Learning. Il offre de nombreux avantages :

• Interactivité : Vous pouvez écrire et exécuter du code Python par petits blocs (cellules), voir immédiatement les résultats (valeurs des variables, graphiques, etc.) et modifier le code en conséquence. C'est idéal pour l'exploration de données, l'expérimentation et le prototypage.
• Mélange de code, de texte et de visualisations : Un notebook Jupyter peut contenir non seulement du code, mais aussi du texte (en Markdown), des équations (en LaTeX), des images et des graphiques (générés avec matplotlib, par exemple). Cela en fait un outil parfait pour documenter votre travail, créer des rapports interactifs ou des tutoriels.
• Facilité de partage : Les notebooks Jupyter sont des fichiers .ipynb que vous pouvez facilement partager avec d'autres personnes. Ils peuvent être ouverts et exécutés dans VS Code, dans un navigateur web (avec Jupyter Notebook ou JupyterLab) ou sur des plateformes en ligne (Google Colab, Kaggle Kernels, etc.).
• Intégration avec les librairies de Machine Learning: Intégration avec matplotlib et les librairies comme TensorFlow

Intégration de Jupyter Notebook dans VS Code

L'utilisation de Jupyter Notebook dans VS Code combine les avantages de Jupyter avec ceux d'un IDE (Integrated Development Environment) moderne :

• Intégration : Vous avez tous vos outils (éditeur de code, terminal, explorateur de fichiers, Jupyter Notebook) au même endroit.
• Extensions : VS Code dispose d'un vaste écosystème d'extensions, notamment pour Python et Jupyter, qui améliorent l'expérience de développement (autocomplétion, linting, débogage, etc.).
• Débogage : Vous pouvez utiliser le débogueur intégré de VS Code pour déboguer vos notebooks Jupyter, ce qui est beaucoup plus difficile avec l'interface web classique de Jupyter Notebook.

Prérequis :

• Visual Studio Code doit être installé.
• L'extension Python pour VS Code doit être installée.

Étapes :

1. Ouvrez VS Code.

2. Installez l'extension Jupyter Notebook

3. Ouvrez le dossier contenant votre environnement virtuel.

4. Créez un nouveau notebook Jupyter :

   • Dans l'explorateur de fichiers de VS Code, faites un clic droit, puis sélectionnez "New File".
   • Nommez le fichier avec l'extension .ipynb.

5. Sélectionnez le noyau Python (Kernel) :

   • En haut à droite, cliquez sur le bouton indiquant le noyau Python.
   • Sélectionnez l'environnement virtuel que vous avez créé (my_ml_env).

6. Cellules :

   • Cellules de code : Exécutez avec Shift + Entrée ou le bouton "Exécuter".
   • Cellules Markdown : Double-cliquez pour éditer.

7. Exemple :

   • Cellule de code :

     import matplotlib.pyplot as plt
     import numpy as np
     
     x = np.linspace(0, 10, 100)
     y = np.sin(x)
     
     plt.plot(x, y)
     plt.title("Courbe de sin(x)")
     plt.xlabel("x")
     plt.ylabel("sin(x)")
     plt.show()

• Créez une nouvelle cellule, et sélectionnez Markdown,
• Tapez du texte

8. Enregistrez votre notebook (Ctrl+S ou Cmd+S).

info

L'intégration de Jupyter Notebook dans VS Code offre une expérience de développement fluide et puissante pour le Machine Learning. Prenez le temps de vous familiariser avec cet environnement.