Bienvenue dans le monde de apprentissage automatique ! Que vous débutiez ou que vous ayez déjà essayé, avoir un environnement local bien organisé peut vous rendre la vie beaucoup plus facile. Dans ce guide, nous allons configurer votre environnement local à l'aide de Miniconda et Conda. Nous installerons également certaines des bibliothèques Python les plus essentielles pour l'apprentissage automatique et la science des données : Pandas, NumPy, Matplotlib et Scikit-learn .

Attention : Cette configuration est 100% sans stress (sauf peut-être pour la partie où nous installons les bibliothèques ?).

Pourquoi Miniconda ?

Vous vous demandez peut-être : "Pourquoi Miniconda et pas Anaconda ?" Eh bien, c’est comme choisir entre un vaisseau spatial entièrement chargé ? (Anaconda) et un vaisseau spatial léger et plus personnalisable ? (Miniconda). Miniconda vous donne juste l'essentiel, vous permettant d'installer uniquement les packages dont vous avez besoin et de garder les choses en ordre.

Étape 1 : Installer Miniconda

1.1. Télécharger Miniconda

Rendez-vous sur le site Web de Miniconda et téléchargez le programme d'installation approprié pour votre système d'exploitation :

• Windows : programme d'installation .exe
• macOS : programme d'installation .pkg
• Linux : programme d'installation .sh

1.2. Installer Miniconda

Une fois téléchargé, suivez les instructions correspondant à votre système :

• Windows : exécutez le programme d'installation .exe. Lorsqu'il vous le demande, cochez la case « Ajouter Miniconda à ma variable d'environnement PATH » (ça vous facilitera la vie plus tard, croyez-moi ?).
• macOS/Linux : ouvrez un terminal et exécutez le programme d'installation :

  bash Miniconda3-latest-Linux-x86_64.sh  # for Linux
  bash Miniconda3-latest-MacOSX-x86_64.sh  # for macOS

Suivez les instructions. C'est plus onctueux que du beurre sur une crêpe chaude ! ?

1.3. Vérifier l'installation

Une fois installé, assurons-nous que tout est en état de marche. Ouvrez votre terminal ou votre invite de commande et tapez :

conda --version

Si vous voyez un numéro de version, félicitations : votre Miniconda est prête à fonctionner ! ?

Étape 2 : configurer un environnement Conda

Voici la partie amusante ! Avec Conda, vous pouvez créer des environnements isolés pour garder vos projets organisés et éviter les conflits de packages. Pensez-y comme si vous aviez différents placards pour différents passe-temps : pas de mélange d'équipement de pêche ? avec votre configuration de jeu ?.

2.1. Créer un nouvel environnement

Pour créer un nouvel environnement (considérez-le comme l'espace de travail personnel de votre projet), utilisez la commande suivante :

conda create --name ml-env python=3.10

Ici, ml-env est le nom de votre environnement et nous définissons Python sur la version 3.10. N'hésitez pas à utiliser la version que vous préférez.

2.2. Activer l'environnement

Avant d'installer des packages, nous devons activer l'environnement :

conda activate ml-env

Vous remarquerez les modifications apportées à votre invite, indiquant que vous êtes maintenant dans l'environnement ml-env. ?‍♂️ C'est comme entrer dans une nouvelle dimension... de Python, bien sûr.

Étape 3 : Installer les bibliothèques Python essentielles

Il est temps d'armer votre environnement des outils nécessaires ! Nous installerons Pandas, NumPy, Matplotlib et Scikit-learn, les héros de toute aventure d'apprentissage automatique. Considérez-les comme vos Avengers ?‍♂️, mais pour la science des données.

3.1. Installer Pandas ?

Pandas est idéal pour travailler avec des données structurées. Vous pouvez le considérer comme Excel, mais sous stéroïdes ?. Installez-le avec :

conda install pandas

3.2. Installer NumPy ?

NumPy est votre bibliothèque incontournable pour les opérations numériques et la manipulation matricielle. C’est la sauce secrète derrière de nombreux algorithmes d’apprentissage automatique. Pour installer :

conda install numpy

3.3. Installer Matplotlib ?

Qu'est-ce que la science des données sans de beaux graphiques ? Matplotlib est parfait pour créer des visualisations, des graphiques linéaires aux nuages ​​de points. Installez-le avec :

conda install matplotlib

(Blague : pourquoi les graphiques n'établissent-ils pas de relations ? Parce qu'ils ont trop d'"intrigues" ?).

3.4. Installer Scikit-learn ?

Enfin, nous avons besoin de Scikit-learn pour implémenter des algorithmes d'apprentissage automatique tels que la régression linéaire, la classification, etc. Pour installer :

conda install scikit-learn

Étape 4 : Vérifiez votre configuration

Assurons-nous que tout fonctionne correctement. Ouvrez Python dans votre terminal :

python

Une fois dans le shell Python, essayez d'importer les bibliothèques pour voir si tout est correctement installé :

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import sklearn

S’il n’y a aucune erreur, vous êtes prêt à partir ! ? Allez-y et quittez Python en tapant :

exit()

Étape 5 : Gérer votre environnement

Maintenant que votre environnement est configuré, voici quelques conseils pratiques pour le gérer.

5.1. Liste des packages installés

Vous voulez voir ce qui est installé dans votre environnement ? Tapez simplement :

conda list

5.2. Sauvez votre environnement

Pour partager la configuration de votre environnement avec d'autres personnes ou la recréer plus tard, vous pouvez l'exporter vers un fichier :

conda env export > environment.yml

5.3. Désactiver l'environnement

Lorsque vous avez fini de travailler pour la journée, vous pouvez quitter l'environnement avec :

conda deactivate

5.4. Supprimer un environnement

Si vous n'avez plus besoin d'un environnement (adieu les vieux projets ?), vous pouvez le supprimer entièrement :

conda remove --name ml-env --all

Si vous avez aimé ça, suivez-moi sur Github

-

Pensées finales

Bravo! Vous avez configuré avec succès votre environnement d'apprentissage automatique local avec Miniconda, Conda et des bibliothèques Python essentielles telles que Pandas, NumPy, Matplotlib et Scikit-learn. ? Votre nouvel environnement est isolé, organisé et prêt pour une analyse sérieuse des données.

Rappelez-vous : gardez toujours vos environnements bien rangés, sinon vous risquez de finir comme mon ancien placard, plein de câbles emmêlés et de versions Python aléatoires. ? Bon codage !