Tutoriel sur python et numpy

Pré-requis logiciels

Ce tutoriel est basé sur des notebook jupyter, il requiert:

• une distribution scientifique de python, la plus répendue étant anaconda lien
• [mac/linux] pour travailler sur les canevas proposés, il suffit ensuite de taper: jupyter-notebook <fichier.ipynb>
• [windows] naviguer dans anaconda pour charger le fichier
• [online] en cas de problème, les liens ci-dessous donne accès aux mêmes TP en ligne via google colab
  • il faut un compte gmail et une connexion internet pour en profiter
• [option avancée] éventuellement un éditeur avancé capable de gérer les notebooks: VS Code lien VS Code est très bien fait: à l'ouverture des fichiers, en fonction des extensions, il propose de télécharger des plugins pour gérer les spécificités desdits fichiers.

Déroulement de la session

1. Prise en main de python et des notebooks

• Attention, c'est assez contemplatif (presque tout le code est donné)
  • ne vous laissez pas étourdir par les notebooks qui avancent tout seuls: cherchez toujours à comprendre ce qui se passe
  • ajouter des boites, ajouter du code: vous pouvez tout modifier et même tout détruire, il suffit de re-télécharger le fichier en cas de problème.
• Il faut adapter sa vitesse: on veut passer vite sur ces pré-requis mais il faut quand même maîtriser python...
  • N'hésitez pas à sauter des exercices lorsque ça vous parait trivial: on peut toujours revenir en arrière!
• Posez vos questions au fur et à mesure

2. Numpy et matplotlib : l'objectif central de ces séances

Il s'agit d'une introduction à la programmation scientifique à travaers des exercices avancés sur numpy/matplotlib. De nouveau, l'enjeu est d'avancer à un bon rythme:

• Ne pas se laisser endormir par les boites déjà complétées, ajouter des boites et du code pour bien comprendre les fonctions, leur syntaxe et leur fonctionnement.
• Sauter les exercices triviaux ou trop scolaires pour vous: si vous êtes à l'aise, c'est intéressant d'aller directent aux parties 3/4
• NE PAS sauter ces exercices si vous vous sentez plus léger en python: le coeur de la séance se trouve bien ici!

3. Classification Bayesienne

On consolide la pratique du python scientifique à travers la construction et l'évaluation de modèles de machine learning.

• Consolider sa pratique de numpy et matplotlib tout en mettant un pied dans les protocoles du machine learning!

Classification de chiffres manuscrits	Optimisation par descente de gradient

4. Descente de gradient et régression

Dernière séance consacrée à numpy: nous allons apprendre un régresseur par descente de gradient afin de réviser:

• numpy
• la problématique de la régression
• l'algorithme de la descente de gradient

De nouveau, nous consolidons les bases de numpy/matplotlib... Tout en poursuivant le panorama du ML vers les problèmes de régression et de gradient. Ce dernier point est critique: le gradient est un outil central dans tous les réseaux de neurones et il est important d'avoir une représentation mentale de l'impact des différents réglages possibles.

5. Evaluation du module de formation continue

Le notebook sur les velibs