Scribd Logo
Importer

Bienvenue sur Scribd !

  • 39 vues

    TP1 ML-Intro

    Transféré par

    Ik Ram
    Ce document présente un TP sur Python et l'apprentissage automatique. Il introduit les bibliothèques Python clés comme Scikit-learn, Numpy, Pandas et Matplotlib pour l'analyse de données et le machine learning. Le TP couvrira les bases de Python, Numpy, Matplotlib et IPython.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TP1 ML-Intro

    Transféré par

    Ik Ram
    39 vues2 pages
    Ce document présente un TP sur Python et l'apprentissage automatique. Il introduit les bibliothèques Python clés comme Scikit-learn, Numpy, Pandas et Matplotlib pour l'analyse de données et le machine learning. Le TP couvrira les bases de Python, Numpy, Matplotlib et IPython.

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente un TP sur Python et l'apprentissage automatique. Il introduit les bibliothèques Python clés comme Scikit-learn, Numpy, Pandas et Matplotlib pour l'analyse de données et le machine learning. Le TP couvrira les bases de Python, Numpy, Matplotlib et IPython.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    39 vues2 pages

    TP1 ML-Intro

    Transféré par

    Ik Ram
    Ce document présente un TP sur Python et l'apprentissage automatique. Il introduit les bibliothèques Python clés comme Scikit-learn, Numpy, Pandas et Matplotlib pour l'analyse de données et le machine learning. Le TP couvrira les bases de Python, Numpy, Matplotlib et IPython.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 2

    Ministère de l’Enseignement Supérieur, de la Recherche Scientifique et des

    Technologies de l'Information et de la Communication

    Université de Carthage

    Faculté des Sciences Département


    de Bizerte Informatique

    TP1 : Python et Machine Learning


    Python est un excellent langage de programmation généraliste à lui seul, mais avec l'aide de quelques
    bibliothèques populaires (numpy, scipy, matplotlib), il devient un environnement puissant pour le
    calcul scientifique.

    J’espére que beaucoup d'entre vous auront une certaine expérience avec Python et numpy ; pour le
    reste d'entre vous, cette section servira de cours accéléré rapide à la fois sur le langage de
    programmation Python et sur l'utilisation de Python pour le calcul scientifique.

    Certains d'entre vous ont peut-être déjà des connaissances sur Matlab, auquel cas nous
    recommandons également la page numpy pour les utilisateurs de Matlab
    (https://docs.scipy.org/doc/numpy/user/numpy-for-matlab-users.html)

    Pour faire du machine learning et de l’analyse de données avec Python, on a principalement besoin
    des bibliothèques Python suivantes :

     Scikit-learn : une bibliothèque Python destinée à l'apprentissage automatique.


     Numpy : fournit les structures de données fondamentales utilisées par scikit-learn
    particulièrement les tableaux multidimensionnels. Les données d’entrée pour scikit-learn
    sont typiquement des tableaux numpy.
     Pandas : fournit des structures de données comme DataFrame qui peut être vue comme
    un spreadsheet table avec des lignes et des colonnes titrées. Contrairement aux tableaux de
    Numpy, les colonnes dans un DataFrame peuvent être de types différents.
     Matplotlib : permet de tracer et visualiser des données sous formes de graphiques. Ses
    modules pyplot, seaborn et graphviz sont les plus utilisés.

    Dans ce premier TP, nous aborderons :

    1. Python de base : types de données de base (conteneurs, listes, dictionnaires, ensembles,


    tuples), fonctions, classes
    2. Numpy : tableaux, indexation des tableaux, types de données, mathématiques des tableaux,
    diffusion
    3. Matplotlib : tracé, sous-parcelles, images
    4. IPython : création de blocs-notes, workflows typiques
    Ministère de l’Enseignement Supérieur, de la Recherche Scientifique et des
    Technologies de l'Information et de la Communication

    Université de Carthage

    1
    Enseignante: Cherifa Nakkach
    Faculté des Sciences Département
    de Bizerte Informatique

    Activité 1 :

    Travail à faire :

     Ouvrez le Jupyter Notebook : « Notebook_TP1.ipynb »


     Suivez et exécutez les cellules une-à-une
     Observez les résultats

    2
    Enseignante: Cherifa Nakkach

    Vous aimerez peut-être aussi

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy