Jupyter Notebook et Google Colab

CCSI4506 Introduction à l’intelligence artificielle

Marcel Turcotte

Version: sept. 5, 2025 15h10

Préambule

Objectifs d’apprentissage

• Écrire et exécuter un Jupyter Notebook.
• Exécuter un Jupyter Notebook sur Google Colab.

Prérequis

La maîtrise de Python est attendue.

Pour ceux qui ont besoin d’une remise à niveau, le tutoriel officiel sur Python.org est un bon point de départ.

Améliorez simultanément vos compétences en créant un Jupyter Notebook qui intègre des exemples et des notes du tutoriel.

Autres ressources :

• Tutoriel Python de Stanford CS231n avec Google Colab

• Tutoriel Python Avancé

Tutoriel Python de Stanford CS231n avec Google Colab : Ce lien vous dirige vers un tutoriel Python présenté sous forme de Jupyter Notebook, qui peut être exécuté dans l’environnement Google Colab. Des détails supplémentaires sont fournis ci-dessous.

Enfin, voici un Tutoriel Python Avancé fourni par Google.

Créer un Jupyter Notebook qui intègre des exemples et des notes du tutoriel peut être très utile. Plus tard, lorsque vous voudrez consulter un concept, vous pourrez également prototyper votre solution directement dans le notebook.

Jupyter Notebooks

Qu’est-ce qu’un Notebook?

Un notebook est un document partageable qui combine code informatique, descriptions en langage clair, données, visualisations riches comme des modèles 3D, tableaux, graphes et figures, et contrôles interactifs. Un notebook, avec un éditeur (comme JupyterLab), fournit un environnement interactif rapide pour prototyper et expliquer du code, explorer et visualiser des données, et partager des idées avec d’autres.

Démarrage rapide

Ce tutoriel est conçu pour ceux qui ne sont peut-être pas encore familiers avec Jupyter Notebook et Google Colab. Ces deux plateformes sont largement utilisées dans les communautés d’apprentissage automatique pour des travaux computationnels interactifs.

Google Colab offre une plateforme pratique pour écrire et exécuter des notebooks sans nécessiter d’installation locale. Notamment, il permet de modifier et d’exécuter votre code sur divers appareils, y compris les tablettes et les téléphones mobiles.

Bien que tout le monde puisse consulter un notebook partagé, vous aurez besoin d’un compte Google pour l’exécuter. Pour la plupart des objectifs éducatifs, la version gratuite de Google Colab devrait suffire. Cependant, il existe des options payantes, telles que Colab Pro et Pro Plus. Ces versions offrent des temps d’exécution plus longs, un accès prioritaire à des GPU et TPU plus puissants, des capacités de mémoire et de stockage accrues, ainsi que moins d’interruptions et de déconnexions.

Un notebook intègre des descriptions en langage clair avec du code source et des graphiques. Sans entrer dans les détails du document, examinez l’alternance entre les descriptions, le code source et les graphiques.

Votre code s’exécute dans un environnement appelé noyau. Dans ce notebook, nous utilisons un noyau Python. D’autres noyaux populaires incluent Julia et R; voir Kernels Jupyter pour plus d’informations.

Vous pouvez exécuter l’intégralité du notebook en utilisant Runtime → Run all. Cependant, il est courant d’exécuter les cellules individuellement pour lire les instructions correspondantes et observer les résultats. Cela permet également de modifier le code pour voir les effets des changements.

Toutes les cellules partagent le même environnement d’exécution, ce qui rend l’ordre d’exécution critique. Une cellule qui dépend de variables ou de fonctions d’une autre cellule doit être exécutée après la cellule définissant ces éléments. En particulier, assurez-vous toujours que les bibliothèques nécessaires sont chargées en premier.

Voir aussi :

• Le Jupyter Notebook

Les Jupyter Notebooks sont largement utilisés dans les domaines de la science des données et de l’apprentissage automatique.

Exécuter Jupyter sur votre ordinateur

En supposant que le notebook est dans le répertoire courant, exécutez la commande suivante depuis le terminal.

jupyter notebook 01_ottawa_river_temperature.ipynb

De même, pour créer un nouveau notebook à partir de zéro,

jupyter notebook

Ces commandes lancent un serveur Jupyter sur votre ordinateur, écoutant sur un port local et dirigeant votre navigateur vers l’URL locale spécifiée. La sortie sera quelque chose comme ceci :

Jupyter Server 2.14.2 is running at:
  http://localhost:8888/tree?token=94eca753b1887a460404d2b5eebb3b7a6211be0b839e9c34
  http://127.0.0.1:8888/tree?token=94eca753b1887a460404d2b5eebb3b7a6211be0b839e9c34
Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).

Comme vous pouvez le voir, exécuter un notebook localement est similaire à son exécution dans Google Colab. Cependant, cela nécessite que Jupyter et toutes les bibliothèques nécessaires (telles que NumPy, pandas et scikit-learn) soient installés sur votre système local.

Dans un nouveau notebook :

1. Créez un exemple montrant comment le texte et les cellules alternent.
2. Écrivez un exemple montrant comment l’ordre d’exécution est important.

Voir aussi :

• Exécuter le Notebook

Le processus d’installation de Jupyter et d’autres environnements sera abordé plus tard dans cette présentation.

Pourquoi?

• Facilité d’utilisation : L’interface est intuitive et propice à l’analyse exploratoire.

• Visualisation : La capacité d’intégrer des visualisations riches et interactives directement dans le notebook améliore son utilité pour l’analyse et la présentation des données.

• Reproductibilité : Les Jupyter Notebooks sont devenus la norme de facto dans de nombreux domaines pour démontrer les fonctionnalités du code et garantir la reproductibilité.

Comment?

• Google Colab
• Installation locale
  • Dans votre navigateur
    • Notebook ou JupyterLab
  • Visual Studio Code
• Plus d’options, y compris JupyterHub (une version multi-utilisateurs)

Maîtriser une nouvelle technologie nécessite souvent du temps et de la patience. Reconnaissez que vos niveaux d’expérience peuvent varier. Sélectionnez l’option qui correspond le mieux à votre expertise actuelle. Commencez par des choix plus simples, sachant que vous pouvez revenir et ajuster vos décisions à mesure que vous gagnez en compétence.

Pour ceux à l’aise avec la technologie, JupyterLab peut être le choix préféré. En tant que prochaine génération d’interface web pour les projets Jupyter, il offre une expérience intégrée de type environnement de développement intégré (IDE) avec prise en charge de plusieurs onglets. À l’inverse, si vous préférez un point de départ plus simple, Jupyter Notebook pourrait être une meilleure option.

Installer Jupyter (1/2)

Ces instructions utilisent pip, l’outil d’installation recommandé pour Python.

La première étape est de vérifier que vous disposez d’une installation Python fonctionnelle avec pip installé.

• Linux/macOS
• Windows

$ python --version

Python 3.10.14

$ pip --version

pip 24.2

C:> py --version

Python 3.10.14

C:> py -m pip --version

pip 24.2

Consultez l’annexe pour d’autres options, y compris conda, mamba et pipenv.

Installer Jupyter (2/2)

Installer JupyterLab avec pip :

$ pip install jupyterlab

Une fois installé, lancez JupyterLab avec

$ jupyter lab

Exemples de Jupyter Notebooks

• 01_ottawa_river_temperature (Jupyter Notebook)
• 02_empty (Jupyter Notebook)
• 03_missing_library (Jupyter Notebook)
• 04_stock_price (Jupyter Notebook)
• 05_central_limit (Jupyter Notebook)

bibliothèques manquantes

Lancer 03_missing_library sur Colab.

Quoi faire lorsqu’une ou plusieurs bibliothèques sont manquantes sur Google Colab?

04_stock_price

Lancer 04_stock_price sur Colab.

05_central_limit

Lancer 05_central_limit sur Colab.

Notes de Cours

Chaque cours est aussi fourni sous forme de Jupyter Notebook.

import numpy as np
import matplotlib.pyplot as plt

# Fonction sigmoïde
def sigmoid(t):
    return 1 / (1 + np.exp(-t))

# Générer les valeurs de x
t = np.linspace(-6, 6, 400)

# Calculer les valeurs de y pour la fonction sigmoïde
y = sigmoid(t)

# Créer une figure et retirer les axes et la grille
fig, ax = plt.subplots()
ax.plot(t, y, color='black', linewidth=2)  # Garder la courbe opaque

plt.grid(True)

# Définir un fond transparent pour la figure et les axes
fig.patch.set_alpha(0)  # Fond transparent pour la figure

plt.show()

Tout au long du semestre, les cours intégreront une variété d’exemples de programmation. Les présentations sont fournies en format Jupyter Notebook, vous permettant d’interagir directement avec le code. Étant donné que les Jupyter Notebooks prennent également en charge le texte brut, vous pouvez personnaliser les notes de cours en ajoutant vos propres annotations.

Notes de Cours

Prologue

Résumé

• Nous avons introduit des outils, notamment les Jupyter Notebooks et Google Colab.

Ressources

• Documentation du projet Jupyter
• Google Colab
• Introduction à Colab

Références

Annexe : contrôle de version

Contrôle de version (GitHub)

Par défaut, les Jupyter Notebooks stockent les sorties des cellules de code, y compris les objets multimédias.

Les Jupyter Notebooks sont des documents JSON, et les images qu’ils contiennent sont encodées au format PNG base64.

Cet encodage peut entraîner plusieurs problèmes lors de l’utilisation des systèmes de contrôle de version, tels que GitHub.

• Taille de fichier importante : Les Jupyter Notebooks peuvent devenir assez volumineux en raison des images et des sorties intégrées, entraînant des temps de téléchargement prolongés et des contraintes de stockage potentielles.

• Incompatibilité avec le contrôle de version basé sur le texte : GitHub est optimisé pour les fichiers basés sur du texte, et l’inclusion de données binaires, telles que des images, complique le processus de suivi des modifications et de résolution des conflits. Les opérations traditionnelles de diff et de fusion ne sont pas bien adaptées pour gérer ces formats binaires.

Contrôle de version - solutions

1. Dans JupyterLab ou Notebook, Edit \(\rightarrow\) Clear Outputs of All Cells, puis sauvegardez.

2. En ligne de commande, utilisez jupyter nbconvert --clear-output

jupyter nbconvert --clear-output --inplace 04_stock_price.ipynb

ou

jupyter nbconvert 04_stock_price.ipynb --to notebook --ClearOutputPreprocessor.enabled=True --output 04_stock_price_clear

3. Utilisez nbdime, spécialisé pour les Jupyter Notebooks.

Lors de la copie de code source à partir de diapositives ou de notebooks, cliquez sur l’icône ‘Copy to Clipboard’ pour vous assurer que seul le texte brut est copié, en excluant tout formatage HTML.

Pour les devoirs, nous vous demanderons de conserver les sorties.

Annexe : gestion de l’environnement

Gestion de l’environnement

Important

N’essayez pas d’installer ces outils à moins d’être sûr de vos compétences techniques. Une installation incorrecte pourrait entraîner une perte de temps considérable ou même rendre votre environnement inutilisable. Il n’y a rien de mal à utiliser pip ou Google Colab pour vos travaux de cours. Vous pourrez développer ces compétences d’installation plus tard sans impacter vos notes.

Gestion des packages

• La gestion des dépendances des packages peut être complexe.

  • Un gestionnaire de packages répond à ces défis.

• Différents projets peuvent nécessiter différentes versions des mêmes bibliothèques.

  • Les outils de gestion des packages, tels que conda, facilitent la création d’environnements virtuels adaptés à des projets spécifiques.

Anaconda

Anaconda est une plateforme complète de gestion des packages pour Python et R. Elle utilise Conda pour gérer les packages, les dépendances et les environnements.

• Anaconda est avantageux car il est livré pré-installé avec plus de 250 packages populaires, offrant ainsi un point de départ robuste pour les utilisateurs.

• Cependant, cette distribution étendue entraîne une taille de fichier importante, ce qui peut être un inconvénient.

• De plus, puisque Anaconda repose sur conda, il hérite également des limitations et des problèmes associés à conda (voir les diapositives suivantes).

Miniconda

Miniconda est une version minimale d’Anaconda qui inclut uniquement conda, Python, leurs dépendances et une petite sélection de packages essentiels.

Bien des utilisateurs expérimentés préfèrent miniconda à Anaconda.

Conda

Conda est un système de gestion des packages et des environnements open-source pour Python et R. Il facilite l’installation et la gestion des packages logiciels et la création d’environnements virtuels isolés.

• Des conflits de dépendances conflicts dus à des interdépendances complexes de packages peuvent obliger l’utilisateur à réinstaller Anaconda/Conda.

• Encombré par des exigences de stockage importantes et des problèmes de performance lors de la résolution des packages.

Mamba

Mamba est une réimplémentation du gestionnaire de packages conda en C++.

• Il est nettement plus rapide que conda.

• Il consomme moins de ressources informatiques.

• Il fournit des messages d’erreur plus clairs et plus informatifs.

• Il est entièrement compatible avec conda, ce qui en fait un remplacement viable.

Micromamba est un exécutable entièrement lié de manière statique et autonome. Son environnement de base vide garantit que la base n’est jamais corrompue, éliminant ainsi le besoin de réinstallation.

Complément à votre éducation

• The Missing Semester of Your CS Education

Marcel Turcotte

Marcel.Turcotte@uOttawa.ca

École de science informatique et de génie électrique (SIGE)

Université d’Ottawa