Université Saad Dahleb de Blida

Faculté de Technologie
Département d'Electronique
Master Réseaux et Télécommunications (Master 2)
Module : Intelligence Artificielle

Compte rendu tp 01 (IA)

TP N°1 : Familiarisation avec l’environnement de développement

&
Préparation des données pour l’apprentissage

Binome :
 Arrache Souad
 Bourebaa Nadjet

Groupe 01

2023/2024
Objectif du Tp :

Introduction :
L'intelligence artificielle (IA) est une discipline en constante évolution qui joue un rôle de
plus en plus central dans la technologie et les applications modernes. Pour s'engager dans
des projets d'IA fructueux, il est essentiel de maîtriser deux aspects fondamentaux : la mise
en place de l'environnement de développement adéquat et la préparation soignée des
données.

Partie 1 : Python

1. Installation de l’environnement de développement : L'installation de

l'environnement de développement pour travailler sur des projets en intelligence
artificielle implique plusieurs étapes

Télécharger et installer anaconda sur le Pc :

Application anaconda
  Lancer Anaconda Prompt (mode Administrateur avec un clic droit)

 Recherchez "Anaconda Prompt" dans la barre de recherche Windows.

 Faites un clic droit sur "Anaconda Prompt" dans les résultats de la recherche.
 Dans le menu contextuel qui apparaît, sélectionnez "Exécuter en tant qu'administrateur.
  Lancer l'exécution de ces commandes :

 Une fois que nous avons lancé Anaconda Prompt en mode administrateur, nous pouvon
exécuter les commandes suivants

 conda create -n py39 python=3.9 :

Cette commande crée un nouvel environnement Conda nommé "py39" avec Python 3.9.
Vous spécifiez le nom de l'environnement avec l'option -n et la version de Python que vous
souhaitez avec python=3.9

 conda update conda :

Cette commande met à jour le gestionnaire de packages Conda lui-même. Elle vérifie s'il
existe une nouvelle version de Conda, et si c'est le cas, elle la télécharge et l'installe pour
assurer que vous utilisez la dernière version.
 conda update –all :

Cette commande met à jour tous les packages installés dans l'environnement Conda actif.
Elle vérifie s'il existe des mises à jour disponibles pour tous les packages et les met à jour.

 activate py39 :

Cette commande active l'environnement Conda nommé "py39". Une fois activé, tous les
packages installés et les commandes exécutées seront spécifiques à cet environnement.

 conda install spyder :

Cette commande installe le logiciel Spyder dans l'environnement Conda actif. Spyder est
un environnement de développement intégré (IDE) populaire pour la programmation en
Python.
 conda install numpy scipy :

Cette commande installe les bibliothèques NumPy et SciPy dans l'environnement Conda
actif. Ces bibliothèques sont largement utilisées pour la manipulation de données et le calcul
scientifique en Python.

 conda install tensorflow :

Cette commande installe la bibliothèque TensorFlow dans l'environnement Conda actif.

TensorFlow est une bibliothèque d'apprentissage automatique développée par Google.
 conda install keras :

Cette commande installe la bibliothèque Keras dans l'environnement Conda actif. Keras est
une interface haut niveau pour créer et entraîner des réseaux de neurones.

 pip install matplotlib :

Cette commande utilise pip (un gestionnaire de packages Python) pour installer la
bibliothèque Matplotlib, qui est couramment utilisée pour la création de graphiques et de
visualisations en Python.

 pip install pandas :

Cette commande utilise pip pour installer la bibliothèque Pandas, qui est utilisée pour la
manipulation et l'analyse de données tabulaires en Python.
 pip install sklearn :

Cette commande utilise pip pour installer scikit-learn, également connu sous le nom sklearn,
qui est une bibliothèque d'apprentissage automatique en Python.

 pip install opencv :

Cette commande utilise pip pour installer la bibliothèque OpenCV, qui est utilisée pour la
vision par ordinateur et le traitement d'images en Python.
  pip install nltk :

Cette commande utilise pip pour installer la bibliothèque NLTK (Natural Language
Toolkit), qui est largement utilisée pour le traitement du langage naturel en Python.

 pip install graphviz :

Cette commande utilise pip pour installer la bibliothèque Graphviz, qui est souvent utilisée
pour la création de graphes et de diagrammes.

 pip install pydot :

Cette commande utilise pip pour installer la bibliothèque pydot, qui est utilisée pour la
création de graphes et de graphiques. Elle est souvent utilisée en conjonction avec Graphviz.

2. Exploration d’une base de données en python :

L'exploration d'une base de données en Python implique généralement l'utilisation de
bibliothèques de manipulation de données telles que Pandas pour analyser et extraire des
informations pertinentes à partir des données stockées dans la base de données

le programme qui lit un fichier Excel contenant des données :

Voici une explication détaillée du code aves ces resultats :

1er etape :

 Il importe les bibliothèques Pandas et NumPy.

 Il utilise Pandas pour lire un fichier Excel "Breast-cancer.xlsx" depuis le chemin spécifié et
stocke les données dans un DataFrame appelé "a"

Resultat :

2eme etape :

 Il calcule un indice de séparation, split_idx, qui correspond à 70 % de la longueur du

DataFrame "a". Cela divise les données en deux ensembles : 70 % dans "a1" et 30 % dans
"a2".
 l crée deux nouveaux DataFrames, "a1" et "a2", en extrayant les premières lignes jusqu'à
l'indice "split_idx" pour "a1" et les lignes restantes pour "a2".
 Il affiche les premières lignes de "a1" et "a2".
 Resultats :

 les données en un ensemble d'entraînement (70 %) : a1

 les données en un ensemble de test (30 %) :a2

 3eme partie :

 il utilise la méthode to_excel pour sauvegarder "a1" dans un fichier Excel nommé
"file_1.xlsx" et "a2" dans un fichier Excel nommé "file_2.xlsx". L'option index=False
indique que l'index des lignes ne doit pas être inclus dans le fichier Excel généré.

Resultat :

Ce programme est utile pour charger, explorer et diviser des données contenues dans un
fichier Excel en deux ensembles distincts.

Partie 2 : jupyter
 on Lancer jupyter notebook (mode Administrateur avec un clic droit) :
 cette fenêtre sera afficher :
 Puis on lancer l'exécution de la commande pip install jupyter :

 Exploration d’une base de données en jupyter :

 A la droite de la fenêtre dans NEW on choisir PYTHON 3 :

 Puis on téléchargée le fichier :

 Puis on clique sur le buttons RUN pour afficher le resultat :

Le résultat :

 Le premier résultat est pour lire le fichier Excel

 2eme résultat et pour lire les données en un ensemble d'entraînement (70 %)

  3eme résultat et pour lire l les données en un ensemble de test (30 %)

Conclusion :
En conclusion, l'intelligence artificielle (IA) jouant un rôle de plus en plus central dans les
technologies modernes. Pour mener à bien des projets d'IA, il est essentiel de maîtriser deux
aspects fondamentaux : la mise en place de l'environnement de développement approprié et la
préparation méticuleuse des données. Dans cette optique, des outils tels qu'Anaconda, Spyder
et Jupyter se révèlent cruciaux au sein de l'écosystème Python, en particulier pour les
professionnels de la science des données et de la programmation.
Spyder offre un environnement de développement spécifiquement conçu pour les
scientifiques des données, doté d'un éditeur de code, d'une console interactive et d'une
intégration aisée avec les bibliothèques scientifiques. De son côté, Jupyter propose des
notebooks interactifs qui fusionnent du code, du texte et des résultats, qui sont idéaux pour
l'exploration de données, la documentation et la collaboration. Le choix entre ces outils
dépendra largement de domaine d'application et de préférences en matière de développement
Python.