Présentation

Cet atelier est une introduction à la régression linéaire avec Python et Scikit-Learn. Il servira de base pour les algorithmes et modèles de machine learning plus complexes que vous étudierez par la suite dans le cours. Vous allez entraîner un modèle de régression linéaire pour prédire le prix d'un logement.

Objectifs de la formation

• Analyser un DataFrame pandas
• Créer des tracés Seaborn pour l'analyse exploratoire des données
• Entraîner un modèle de régression linéaire à l'aide de scikit-learn

Préparation

Pour chaque atelier, nous vous attribuons un nouveau projet Google Cloud et un nouvel ensemble de ressources pour une durée déterminée, sans frais.

1. Connectez-vous à Qwiklabs dans une fenêtre de navigation privée.

2. Vérifiez le temps imparti pour l'atelier (par exemple : 01:15:00) : vous devez pouvoir le terminer dans ce délai.
   Une fois l'atelier lancé, vous ne pouvez pas le mettre en pause. Si nécessaire, vous pourrez le redémarrer, mais vous devrez tout reprendre depuis le début.

3. Lorsque vous êtes prêt, cliquez sur Démarrer l'atelier.

4. Notez vos identifiants pour l'atelier (Nom d'utilisateur et Mot de passe). Ils vous serviront à vous connecter à Google Cloud Console.

5. Cliquez sur Ouvrir la console Google.

6. Cliquez sur Utiliser un autre compte, puis copiez-collez les identifiants de cet atelier lorsque vous y êtes invité.
   Si vous utilisez d'autres identifiants, des messages d'erreur s'afficheront ou des frais seront appliqués.

7. Acceptez les conditions d'utilisation et ignorez la page concernant les ressources de récupération des données.

Activer les API recommandées

1. Dans la console Google Cloud, accédez au menu de navigation, puis cliquez sur Vertex AI.
2. Cliquez sur Activer toutes les API recommandées.

Tâche 1 : Lancer une instance de notebook Vertex AI

1. Dans la console Google Cloud, accédez au menu de navigation et cliquez sur Vertex AI > Workbench. Sélectionnez Notebooks gérés par l'utilisateur.

2. Sur la page "Instances de notebook", cliquez sur Nouveau notebook > TensorFlow Enterprise > TensorFlow Enterprise 2.1.1 (avec LTS) > Sans GPU.

3. Dans la boîte de dialogue Nouveau notebook, vérifiez le nom de la VM deep learning. Si vous ne souhaitez pas modifier la région ni la zone, laissez tous les paramètres tels quels, puis cliquez sur Créer. Le démarrage de la nouvelle VM prend deux à trois minutes.

4. Cliquez sur Ouvrir JupyterLab.
   Une fenêtre JupyterLab s'ouvre dans un nouvel onglet.

5. Si le pop-up "Build recommended" (Compilation recommandée) s'affiche, cliquez sur Build (Compiler). Si le message "Build Failed" (Échec de la compilation) apparaît, ignorez-le.

Tâche 2 : Cloner un dépôt du cours dans votre instance de notebook Vertex AI

Le dépôt GitHub contient le fichier de l'atelier et les fichiers de solution du cours.

1. Copiez et exécutez le code suivant dans la première cellule de votre notebook pour cloner le dépôt training-data-analyst.

!git clone https://github.com/GoogleCloudPlatform/training-data-analyst

2. Vérifiez que vous avez bien cloné le dépôt. Double-cliquez sur le répertoire training-data-analyst et assurez-vous que vous pouvez voir son contenu.

Tâche 3 : Présentation de la régression linéaire

1. Dans l'interface du notebook, accédez à training-data-analyst > courses > machine_learning > deepdive2 > launching_into_ml > labs, puis ouvrez le fichier intro_linear_regression.ipynb.

2. Dans le menu Modifier de l'interface du notebook, cliquez sur Supprimer tous les éléments de sortie.

3. Lisez attentivement les instructions du notebook et complétez le code sur les lignes contenant la mention #TODO.

Conseil : Pour exécuter la cellule actuellement sélectionnée, cliquez dessus et appuyez sur MAJ+ENTRÉE. Vous trouverez les autres commandes de cellule dans l'interface du notebook, sous Exécuter.

• Des conseils ont parfois été ajoutés pour vous aider à effectuer des tâches. Mettez le texte en surbrillance pour lire les conseils (texte en blanc).
• Si vous avez besoin d'aide, reportez-vous à la solution complète. Pour cela, accédez à training-data-analyst > courses > machine_learning > deepdive2 > launching_into_ml > solutions et ouvrez intro_linear_regression.ipynb.

Terminer l'atelier

Une fois l'atelier terminé, cliquez sur End Lab (Terminer l'atelier). Qwiklabs supprime les ressources que vous avez utilisées, puis efface le compte.

Si vous le souhaitez, vous pouvez noter l'atelier. Sélectionnez le nombre d'étoiles correspondant à votre note, saisissez un commentaire, puis cliquez sur Submit (Envoyer).

Le nombre d'étoiles que vous pouvez attribuer à un atelier correspond à votre degré de satisfaction :

• 1 étoile = très mécontent(e)
• 2 étoiles = insatisfait(e)
• 3 étoiles = ni insatisfait(e), ni satisfait(e)
• 4 étoiles = satisfait(e)
• 5 étoiles = très satisfait(e)

Si vous ne souhaitez pas donner votre avis, vous pouvez fermer la boîte de dialogue.

Pour soumettre des commentaires, suggestions ou corrections, veuillez utiliser l'onglet Support (Assistance).

Copyright 2020 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.