Durée: 12 mois
Rubrique: Ingénieur IA
Les bibliothèques Python occupent une place centrale dans le développement de solutions d'Intelligence Artificielle (IA). Elles offrent des fonctionnalités puissantes pour la manipulation de données, la modélisation et l'apprentissage automatique. Cette leçon couvre trois bibliothèques essentielles : NumPy, Pandas, et Scikitlearn.
NumPy est une bibliothèque fondamentale pour le calcul numérique en Python. Elle permet de créer et manipuler des matrices et des vecteurs de manière efficace. Les principaux avantages de NumPy incluent:
numpy.array()
.numpy.linalg()
pour les opérations de l'algèbre linéaire, numpy.fft()
pour la transformée de Fourier, et bien d'autres.Un exemple simple d'utilisation pourrait être: ```python import numpy as np
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b Addition vectorisée ```
Pandas est une bibliothèque dédiée à la manipulation et à l'analyse de données structurées. Elle est particulièrement utile pour travailler avec des données tabulaires, similaires à celles que l'on trouve dans des feuilles de calcul ou des bases de données relationnelles.
dropna()
, fillna()
, et astype()
.groupby()
ou aggregate()
pour résumer et analyser des données.Exemple d'utilisation: ```python import pandas as pd
data = {'Nom': ['Alice', 'Bob', 'Charlie'], 'Âge': [25, 30, 35]} df = pd.DataFrame(data) dffiltered = df[df['Âge'] > 30] Filtrage des données ```
Scikitlearn est une bibliothèque de choix pour le Machine Learning en Python. Elle offre une gamme complète d'algorithmes prêts à l'emploi pour la classification, régression, clustering et bien plus.
accuracyscore
, precisionscore
, et recallscore
.Exemple d'utilisation: ```python from sklearn.modelselection import traintestsplit from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracyscore
X = [[1, 2], [3, 4], [5, 6], [7, 8]] y = [0, 1, 0, 1] Xtrain, Xtest, ytrain, ytest = traintestsplit(X, y, testsize=0.25)
clf = RandomForestClassifier() clf.fit(Xtrain, ytrain) ypred = clf.predict(Xtest)
print(accuracyscore(ytest, ypred)) ```