30 projets de Machine Learning
Bonjour ! ????
Je suis ici pour partager avec toi 30 projets de Machine Learning. Comme tu l’as sans doute déjà deviné en lisant le titre. Oui, on va réaliser 1 projet de ML par jour pendant les 30 prochains jours.
Pour cela, je vais les réaliser en tant que non professionnel. Je serai donc tantôt un étudiant ou un amateur comme toi qui est passionné par le Machine Learning et l’Intelligence Artificielle. Ce qui nous rassemble finalement c’est cette passion du ML ! Et puis, entre nous, aucun intérêt de te balancer du code optimal (avec 99.99 % de précision) qu’on rencontre dans les équipes data/ML/IA de Google et Meta, tu serais perdu (et ça, ce n’est pas mon but !).
Bien sûr, je ne suis pas non plus dans la peau de quelqu’un de débutant complet en Machine Learning, je connais les bases mais je veux aller plus loin et construire 30 projets à partir de zéro. Cela signifie que de jour en jour, de projet en projet, on ira plus loin et surtout on capitalisera sur les projets passés. Ce qui m’intéresse réellement c’est comment on passe de zéro à expert, quelles sont les étapes d’apprentissage à mettre en place et comment on apprend à se débrouiller devant chaque obstacle !
Le chemin est plus enrichissant que la destinée.
Tu vas donc relever ce défi avec moi, je sais que ce sera difficile et c’est là tout l’intérêt. Tu peux donc suivre les étapes de code avec moi et/ou le faire toi-même et partager tes solutions (c’est tout l’enjeu !). Chaque journée devrait amener son lot de progression…
Et n’oublie jamais, le plus important c’est la pratique !
Après ces 30 jours, tu auras une bien meilleure compréhension du Machine Learning (et 30 projets pour ton portfolio) !
Si t’es prêt à relever le défi, Let’s go !
Bonjour et merci pour vos formation. Pour la suite, une liste des logiciels à avoir déjà installés sur son ordi serait bien. Faut-il juste python 3.12?
Hello Jean-Michel,
Perso, si tu te poses la question je te recommande Google Colab (ou Anaconda / Jupyter Notebook en local). Google Colab utilise actuellement Python 3.10.12, donc Python 3.12 risque de ne pas encore être stable avec toutes les bibliothèques de Data Science et Machine Learning.
Bonjour Jean-Michel,
j’utilise la suite Anaconda. Elle est complète et simple d’utilisation notamment pour créer tes environnements. Elle te permet de travailler en local sur ton ordi et te propose toutes les solutions
pour Python : Jupyter Notebook pour le machine learning et deep learning, mais aussi Visual Studio, Pycharm (souvent préféré des développeurs Python) ou encore Spyder (mon préféré car je le trouve plus simple et aussi performant que Pycharm).
Google Colab nécessite un compte Google si je ne me trompe pas, et tu dois penser à charger tes fichiers à chaque fois, et les sauvegardes se font dans ton drive donc si mal fait tu ne les retrouves plus. De plus, il m’est arrivé plusieurs fois que la connexion coupe pendant que l’apprentissage du modèle était en cours, notamment si tu fais des choses qui prennent plusieurs heures (du type GridSearchCV avec plusieurs hyperparamètres et un cv à 10 par exemple sur des datasets un peu gros). Si tu restes inactif sur la page Google Colab plusieurs heures alors Google Colab se déconnecte. Souvent je lançais mes modèles le soir (8 à 10 heures d’attentes pour certains voir plus), et le matin c’était déconnecté et tout le travail à refaire.
Donc tout dépend de ton utilisation.
Si tu veux faire des essais et t’amuser un peu en ML alors je privilégierais Anaconda et Jupyter Notebook.
Mais si Rod connait des choses sur Google Colab qui éviteraient les inconvénients dont je parlais, je suis preneur.
J’utilise également Anaconda avec Jupyter Notebook et Spyder. Et sinon j’aime bien Visual Studio Code, mais j’aime pas pyCharm ^^
Google Colab c’est bien pour partager, collaborer et coder rapidement aux dernières versions stables de chaque bibliothèque (ça évite souvent des erreurs d’incompatibilité)