Environnement de travail

A. Utiliser Anaconda et Spyder sous Windows

Nous allons utiliser Anaconda qui est une distribution Python très utilisée en data sciences. Elle gère les environnements virtuels et intègre de nombreux packages scientifiques, largement plus complet que R Studio. En complement vous pouvez utiliser Spyder qui est un IDE (environnement de développement) graphique orienté science des données, inclus par défaut dans Anaconda.

• Sur les postes de travail de 3il
  1. Tout est installer
• Installation Anaconda :
  1. Télécharger le fichier d’installation sur le site officiel Anaconda
  2. Lancer l’installeur et suivre les étapes (choisir "Just Me" recommandé).
  3. Après installation, Anaconda Navigator permet de gérer graphiquement les environnements et les packages.
• Lancement de Spyder :
  • Via le menu Démarrer Windows : chercher "Anaconda Navigator", puis cliquer sur "Launch" sous Spyder.

B. Utiliser Poetry sous Ubuntu (ou WSL/Linux)

• Poetry est un gestionnaire moderne d’environnements et de dépendances Python, adapté au développement professionnel et reproductible.

Installation de Poetry :

1. Installer pip (si ce n’est pas déjà fait) :
   • sudo apt update ; sudo apt install python3-pip
2. Installer Poetry via le script officiel :
   • curl -sSL https://install.python-poetry.org | python3 -
3. Vérifier l’installation : poetry --version
4. Initialiser l'environement projet poetry init

Créer un projet avec Poetry :

poetry new mon_projet
cd mon_projet
poetry add numpy matplotlib
poetry shell  # pour activer l'environnement virtuel

Proposition de structure de dossier pour les TPs

Voici une structure adaptée pour des TPs Python en data science, inspirée des bonnes pratiques :

nom_du_tp/
├── main.py              # Interface ligne de commande avec l'application ecrite
├── src/                 # Code source Python (modules, classes, fonctions)
│   ├── __init__.py
│   └── perceptron.py    # Class perceptron
├── tests/               # Tests unitaires pour le code
│   └── test_perceptron.py
├── data/                # Données utilisées pour les TPs
│   ├── raw/             # Données brutes
│   └── processed/       # Données prétraitées
├── figures/             # Graphiques générés
├── README.md            # Rapport
├── requirements.txt     # Liste des dépendances (pour pip)
├── pyproject.toml       # Fichier de configuration Poetry (si utilisé)
└── environment.yml      # Fichier d'environnement Conda (pour vous)

Cette structure facilite la clarté, la réutilisation et la reproductibilité des TP.