De nombreuses librairies de machine learning existent !
Seulement, toutes les connaître est très difficile !
Même les plus grands experts du domaine de l’IA n’en connaissent qu’une faible proportion !
Dans cet article que je vais compléter au fur et à mesure du temps, je vais tenter de toutes les répertorier, avec leurs avantages et leurs inconvénients.
Je vais d’abord commencer par les librairies permettant de faire de la visualisation de données.
Il s’agit de librairies qui permettront d’afficher à l’écran des graphiques, des courbes, des images.
Bien qu’on pourrait penser qu’elles sont parfois inutiles ! Je peux vous dire d’expérience qu’elles sont nécessaires. Bien souvent, observer les données d’un problème de data-science où de machine learning sous plusieurs angles, avec plusieurs graphiques différents permet de trouver ses failles et ainsi de le résoudre.
Bien souvent, qu’ans j’ai été bloqué, à court d’idées, et que je n’arrivais pas à obtenir de meilleurs résultats pour mon employeur. Observer les données me permettait de trouver un moyen, d’exploser une nouvelle fois les performances de mes algos.
En machine learning, il est impossible de parler de visualisation sans entendre parler de Matplotlib.
En effet, cette bibliothèque constitue une référence dans le domaine. Elle permet de tracer des graphiques simples sans trop d’effort.
Je pourrais parler beaucoup pour vous convaincre des avantages de Matplotlib, mais dans certaines situations, une image vaut bien plus que 1000 mots. Voici, quelques exemples de graphique, qu’il est possible d’obtenir avec Matplotlib.
Exemple 1
exemple 2
Exemple 3
Exemple 4
Pour l’installer : pip install matplotlib si cela ne fonctionne pas vérifier tenter « python -m pip install matplotlib ». Si cela ne fonctionne toujours pas vérifiez que python se trouve bien dans votre path.
SeaBorn est une librairie python de visualisation qui a la hype au moment où j’écris cet article. Je ne la connais pas très bien, mais à ce que j’ai compris, elle permet d’obtenir des graphiques aussi beaux que ceux de Matplotlib, mais beaucoup plus simplement. Pour l’installer : pip install seaborn
Bon OK je l’avoue, Weka n’est pas une librairie python ! Néanmoins, Weka est l’un des logiciels que j’utilise le plus au quotidien et même si cela est censé être un Top des librairies python, je trouve ce logiciel tellement bon qu’il mérite d’être cité. Weka est un logiciel libre de datamining développé en java par l’université de Waikato et publié sous licence GNU General Public License
Ces nombreux avantages : “gratuité, portabilité, facilité d’utilisation et enfin une large collection de modèles de machine learning” en font un bon outil de machine learning.
La particularité de Weka est que contrairement à d’autres frameworks de machine learning, ce dernier a été conçu pour être facile d’utilisation même pour des néophytes de la programmation. Autant dire que pour débuter dans le machine learning , vous ne trouverez pas mieux.
Vous pouvez l’installer en le téléchargeant sur la page suivante : Weka 3 Download.
Scitkit-learn
est pour moi un must-know des bibliothèques de machine learning. Il
s’agit d’une des bibliothèques les plus simplistes et bien
expliquées que je n’ai jamais connue.
C’est d’ailleurs cela qui a fait son succès.
Tout cela est tellement vrai que même plusieurs grands experts de la machine learning utilisent cette librairie.
À l’intérieur ce cette bibliothèque vous trouverez la quasi-totalité des must-know algorithme de machine learning. Je parle là bien sûr des abers de décisions, des machines à vecteur support, des réseaux de neurones et bien d’autres encore, car la liste est longue et elle ne fait que s’allonger au fil des mois.
Activement maintenu par une communauté de passionné, je recommande véritablement cette bibliothèque pour les débutants. Elle est parfaite pour s’initier aux machine learning et en comprendre les concepts de base.
Pour l’installer : pip install -U scikit-learn
OpenCV
est une référence dans le domaine de la vision par ordinateur. Elle
prend en charge la quasi-totalité des formats d’image et de vidéo
courants (jpg, png, mp4, …). De plus, elle implémente la majorité
des fonctions usuelle nécessaire au traitement et à l’analyse
d’une image (Opération morphologique, Détection de contours,
Détection de points d’intérêts…).
Si vous voulez en savoir plus, vous pouvez vous reporter au tutoriel d’initiation à OpenCV que j’ai écrit.
Pour l’installer : pip install opencv-python.
Scikit-image est une excellente alternative à la bibliothèque OpenCV malgré le fait qu’elle soit nettement moins bien connue de la communauté. Elle implémente beaucoup plus d’algorithme de traitement et d’analyse d’images que la version basique d’OpenCV. Vous retrouverez à l’intérieur de celle-ci des méthodes permettant de : les matrices de cooccurrences , les motifs binaires locaux, les filtres de Gabor qui permettent de décrire une texture, etc. Ou encore,divers algorithmes de transformation d’images et d’extraction d’objets. L’ensemble des fonctionnalités de la bibliothèque sont illustrées d’exemples, facilement compréhensibles pour un programmeur confirmé.
Pour l’installer : pip install scikit-image
TensorFlow est un plateforme open source permettant aux développeurs, débutants comme experts de créer des modèles de machine learning et plus particulièrement de deep learning. Initialement propriétaire et réservée à un usage interne par Google, son code source a finalement libéré et mis sous licence libre Apache 2.0 en novembre 2015. Il s’agit d’une des plateformes de machine learning les plus prisées par les scientifiques du monde entier.
Il existe deux versions de TensorFlow, la première n’utilise que le processeur pour effectuer les différents calculs, tandis que la seconde utilise la carte graphique. Installer la seconde version est plus avantageux si l'on dispose d’une carte graphique récente de marque NVIDIA. Celle-ci permet de profiter du grand nombre de coeurs de calcul présent sur la carte graphique (>200 contre maximum 16 pour les processeurs en 2019) ce qui permet de bénéficier d’un énorme speed up pouvant même aller au-delà x1000 suivant le modèle de GPU utilisé.
Tensorflow requiert python 3 afin d’être installée. Pour installer la version sans GPU, il faudra taper la ligne de commande suivante.
pour installer la version Sans GPU
pip install tensorflow
Tandis que pour installer la version avec GPU, c’est la ligne suivante qu’il faudra taper :
pip install tensorflow-gpu
Mais avant de taper cette ligne dans le terminal, il vous faudra d'abord télécharger et installer les programmes suivants :
CUDA Toolkit
NCCL 2.2
cuDNN SDK
TensorRT
Afin d’installer les prérequis nécessaires à l’utilisation de la carte graphique.
Pytorch est une bibliothèque open source permettant aux développeurs, débutants comme experts de créer des modèles de machine learning et plus particulièrement de deep learning. Elle est sortie en Janvier 2016, et est depuis activement dévellopée par les membre du laboratoire en intelligence artificielle de Facebook.
Bien qu'a l'origine moins populaire et sortie plus tardivement que TensorFlow, elle rattrape progressivement son retard comme en atteste la courbe suivante comparant l'évolution des recherche dans Google pour les terme tensorflow et pytorch.
Selon la configuration de votre ordinateur, vous pouvez indiquez cette dernière sur la page d'acceuil du site officiel de pytorch :
Cette dernière vous fait alors une proposition.
Actuellement pour installer pytorch avec conda, il faudra taper dans le terminal :
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
sinon, si vous souhaitez passer par pip :
pip3 install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html
