Dans ce tutoriel, nous allons découvrir différents environnements de travail, puis présenter quelques outils et bibliothèques utilisés pour développer et entraîner un modèle d’apprentissage automatique.
Environnement et outils de développement
Logiciels :
Documentation réalisée à 100%
Créée par : Lina Abousamama
Introduction
-Il existe plusieurs environnements pour développer un modèle, comme Google Colab, Jupyter Notebook ou Kaggle. Pour notre projet, nous avons choisi :
Google Colab : qui permet d’écrire et d’exécuter du code Python dans un notebook en ligne.
-Nous utiliserons également les outils suivants :
TensorFlow : bibliothèque utilisée pour créer et entraîner des modèles d’intelligence artificielle
Keras : outil qui facilite la construction et l’entraînement de réseaux de neurones, notamment avec TensorFlow.
-Nous allons maintenant découvrir comment accéder à Google Colab, ouvrir un notebook, vérifier les bibliothèques disponibles et installer celles qui seraient manquantes.
Démarrer avec Google Colab
Étape 1 : Se connecter
Rendez-vous sur le site officiel de Google Colab : https://colab.research.google.com/. Cliquez sur « Se connecter », puis choisissez votre compte Google.
Étape 2 : Créer un notebook
Une fois connecté, cliquez sur « Nouveau notebook » pour commencer.
Étape 3 : Vérifier les bibliothèques
Certaines bibliothèques, comme TensorFlow, scikit-learn et Pandas, sont généralement déjà disponibles dans Colab. Vérifiez leur disponibilité et installez uniquement celles qui manquent.
Dans une cellule du notebook, tu peux installer les bibliothèques utilisées dans le projet :
%pip install -q tensorflow-datasets importlib-resources keras-tuner openpyxl # Installe les bibliothèques qui peuvent manquer
Puis, dans une autre cellule, importer les bibliothèques :
import os # Gérer les fichiers et vérifier leur existence
from collections import Counter # Compter les éléments, par exemple les étiquettes
import numpy as np # Manipuler les tableaux et les valeurs numériques
import pandas as pd # Lire et traiter les données sous forme de tableaux
import matplotlib.pyplot as plt # Afficher des images et des graphiques
from PIL import Image # Ouvrir et préparer une image
import tensorflow as tf # Construire, entraîner et convertir le modèle CNN
import tensorflow_datasets as tfds # Charger le jeu d’images Cats vs Dogs
import keras_tuner as kt # Rechercher les meilleurs paramètres du modèle
from sklearn.metrics import ( # Évaluer les prédictions du modèle
confusion_matrix, # Calculer la matrice de confusion
ConfusionMatrixDisplay, # Afficher la matrice de confusion
accuracy_score # Calculer la précision globale
)
from google.colab import drive, files # Accéder à Google Drive et importer ou télécharger des fichiers
