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