15 KiB

Raw Blame History

Guide de dépannage

Ce guide vous aide à résoudre les problèmes courants rencontrés lors de l'utilisation du programme Machine Learning pour les débutants. Si vous ne trouvez pas de solution ici, consultez nos discussions sur Discord ou ouvrez un ticket.

Table des matières

Problèmes d'installation

Installation de Python

Problème : python: command not found

Solution :

Installez Python 3.8 ou une version supérieure depuis python.org
Vérifiez l'installation : python --version ou python3 --version
Sur macOS/Linux, vous devrez peut-être utiliser python3 au lieu de python

Problème : Conflits entre plusieurs versions de Python

Solution :

# Use virtual environments to isolate projects
python -m venv ml-env

# Activate virtual environment
# On Windows:
ml-env\Scripts\activate
# On macOS/Linux:
source ml-env/bin/activate

Installation de Jupyter

Problème : jupyter: command not found

Solution :

# Install Jupyter
pip install jupyter

# Or with pip3
pip3 install jupyter

# Verify installation
jupyter --version

Problème : Jupyter ne s'ouvre pas dans le navigateur

Solution :

# Try specifying the browser
jupyter notebook --browser=chrome

# Or copy the URL with token from terminal and paste in browser manually
# Look for: http://localhost:8888/?token=...

Installation de R

Problème : Les packages R ne s'installent pas

Solution :

# Ensure you have the latest R version
# Install packages with dependencies
install.packages(c("tidyverse", "tidymodels", "caret"), dependencies = TRUE)

# If compilation fails, try installing binary versions
install.packages("package-name", type = "binary")

Problème : IRkernel n'est pas disponible dans Jupyter

Solution :

# In R console
install.packages('IRkernel')
IRkernel::installspec(user = TRUE)

Problèmes avec Jupyter Notebook

Problèmes de kernel

Problème : Le kernel cesse de fonctionner ou redémarre constamment

Solution :

Redémarrez le kernel : Kernel → Restart
Effacez la sortie et redémarrez : Kernel → Restart & Clear Output
Vérifiez les problèmes de mémoire (voir Problèmes de performance)
Exécutez les cellules individuellement pour identifier le code problématique

Problème : Mauvais kernel Python sélectionné

Solution :

Vérifiez le kernel actuel : Kernel → Change Kernel
Sélectionnez la version correcte de Python
Si le kernel est manquant, créez-le :

python -m ipykernel install --user --name=ml-env

Problème : Le kernel ne démarre pas

Solution :

# Reinstall ipykernel
pip uninstall ipykernel
pip install ipykernel

# Register the kernel again
python -m ipykernel install --user

Problèmes avec les cellules du notebook

Problème : Les cellules s'exécutent mais n'affichent pas de sortie

Solution :

Vérifiez si la cellule est toujours en cours d'exécution (recherchez l'indicateur [*])
Redémarrez le kernel et exécutez toutes les cellules : Kernel → Restart & Run All
Vérifiez la console du navigateur pour des erreurs JavaScript (F12)

Problème : Impossible d'exécuter les cellules - aucune réponse lorsque vous cliquez sur "Run"

Solution :

Vérifiez si le serveur Jupyter fonctionne toujours dans le terminal
Actualisez la page du navigateur
Fermez et rouvrez le notebook
Redémarrez le serveur Jupyter

Problèmes avec les packages Python

Erreurs d'importation

Problème : ModuleNotFoundError: No module named 'sklearn'

Solution :

pip install scikit-learn

# Common ML packages for this course
pip install scikit-learn pandas numpy matplotlib seaborn

Problème : ImportError: cannot import name 'X' from 'sklearn'

Solution :

# Update scikit-learn to latest version
pip install --upgrade scikit-learn

# Check version
python -c "import sklearn; print(sklearn.__version__)"

Conflits de version

Problème : Erreurs d'incompatibilité de version des packages

Solution :

# Create a new virtual environment
python -m venv fresh-env
source fresh-env/bin/activate  # or fresh-env\Scripts\activate on Windows

# Install packages fresh
pip install jupyter scikit-learn pandas numpy matplotlib seaborn

# If specific version needed
pip install scikit-learn==1.3.0

Problème : pip install échoue avec des erreurs de permission

Solution :

# Install for current user only
pip install --user package-name

# Or use virtual environment (recommended)
python -m venv venv
source venv/bin/activate
pip install package-name

Problèmes de chargement des données

Problème : FileNotFoundError lors du chargement de fichiers CSV

Solution :

import os
# Check current working directory
print(os.getcwd())

# Use relative paths from notebook location
df = pd.read_csv('../../data/filename.csv')

# Or use absolute paths
df = pd.read_csv('/full/path/to/data/filename.csv')

Problèmes avec l'environnement R

Installation de packages

Problème : L'installation de packages échoue avec des erreurs de compilation

Solution :

# Install binary version (Windows/macOS)
install.packages("package-name", type = "binary")

# Update R to latest version if packages require it
# Check R version
R.version.string

# Install system dependencies (Linux)
# For Ubuntu/Debian, in terminal:
# sudo apt-get install r-base-dev

Problème : tidyverse ne s'installe pas

Solution :

# Install dependencies first
install.packages(c("rlang", "vctrs", "pillar"))

# Then install tidyverse
install.packages("tidyverse")

# Or install components individually
install.packages(c("dplyr", "ggplot2", "tidyr", "readr"))

Problèmes avec RMarkdown

Problème : RMarkdown ne se rend pas

Solution :

# Install/update rmarkdown
install.packages("rmarkdown")

# Install pandoc if needed
install.packages("pandoc")

# For PDF output, install tinytex
install.packages("tinytex")
tinytex::install_tinytex()

Problèmes avec l'application de quiz

Construction et installation

Problème : npm install échoue

Solution :

# Clear npm cache
npm cache clean --force

# Remove node_modules and package-lock.json
rm -rf node_modules package-lock.json

# Reinstall
npm install

# If still fails, try with legacy peer deps
npm install --legacy-peer-deps

Problème : Le port 8080 est déjà utilisé

Solution :

# Use different port
npm run serve -- --port 8081

# Or find and kill process using port 8080
# On Linux/macOS:
lsof -ti:8080 | xargs kill -9

# On Windows:
netstat -ano | findstr :8080
taskkill /PID <PID> /F

Erreurs de construction

Problème : npm run build échoue

Solution :

# Check Node.js version (should be 14+)
node --version

# Update Node.js if needed
# Then clean install
rm -rf node_modules package-lock.json
npm install
npm run build

Problème : Erreurs de lint empêchant la construction

Solution :

# Fix auto-fixable issues
npm run lint -- --fix

# Or temporarily disable linting in build
# (not recommended for production)

Problèmes de données et de chemins de fichiers

Problèmes de chemin

Problème : Les fichiers de données ne sont pas trouvés lors de l'exécution des notebooks

Solution :

Exécutez toujours les notebooks depuis leur répertoire contenant
```
cd /path/to/lesson/folder
jupyter notebook
```

Vérifiez les chemins relatifs dans le code

# Correct path from notebook location
df = pd.read_csv('../data/filename.csv')

# Not from your terminal location

Utilisez des chemins absolus si nécessaire

import os
base_path = os.path.dirname(os.path.abspath(__file__))
data_path = os.path.join(base_path, 'data', 'filename.csv')

Fichiers de données manquants

Problème : Les fichiers de dataset sont manquants

Solution :

Vérifiez si les données doivent être dans le dépôt - la plupart des datasets sont inclus
Certains cours peuvent nécessiter le téléchargement de données - consultez le README du cours
Assurez-vous d'avoir récupéré les dernières modifications :
```
git pull origin main
```

Messages d'erreur courants

Erreurs de mémoire

Erreur : MemoryError ou le kernel cesse de fonctionner lors du traitement des données

Solution :

# Load data in chunks
for chunk in pd.read_csv('large_file.csv', chunksize=10000):
    process(chunk)

# Or read only needed columns
df = pd.read_csv('file.csv', usecols=['col1', 'col2'])

# Free memory when done
del large_dataframe
import gc
gc.collect()

Avertissements de convergence

Avertissement : ConvergenceWarning: Maximum number of iterations reached

Solution :

from sklearn.linear_model import LogisticRegression

# Increase max iterations
model = LogisticRegression(max_iter=1000)

# Or scale your features first
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

Problèmes de visualisation

Problème : Les graphiques ne s'affichent pas dans Jupyter

Solution :

# Enable inline plotting
%matplotlib inline

# Import pyplot
import matplotlib.pyplot as plt

# Show plot explicitly
plt.plot(data)
plt.show()

Problème : Les graphiques Seaborn semblent différents ou génèrent des erreurs

Solution :

import warnings
warnings.filterwarnings('ignore', category=UserWarning)

# Update to compatible version
# pip install --upgrade seaborn matplotlib

Erreurs Unicode/Encodage

Problème : UnicodeDecodeError lors de la lecture de fichiers

Solution :

# Specify encoding explicitly
df = pd.read_csv('file.csv', encoding='utf-8')

# Or try different encoding
df = pd.read_csv('file.csv', encoding='latin-1')

# For errors='ignore' to skip problematic characters
df = pd.read_csv('file.csv', encoding='utf-8', errors='ignore')

Problèmes de performance

Exécution lente des notebooks

Problème : Les notebooks sont très lents à exécuter

Solution :

Redémarrez le kernel pour libérer de la mémoire : Kernel → Restart
Fermez les notebooks inutilisés pour libérer des ressources

Utilisez des échantillons de données plus petits pour les tests :

# Work with subset during development
df_sample = df.sample(n=1000)

Analysez votre code pour identifier les goulots d'étranglement :

%time operation()  # Time single operation
%timeit operation()  # Time with multiple runs

Utilisation élevée de la mémoire

Problème : Le système manque de mémoire

Solution :

# Check memory usage
df.info(memory_usage='deep')

# Optimize data types
df['column'] = df['column'].astype('int32')  # Instead of int64

# Drop unnecessary columns
df = df[['col1', 'col2']]  # Keep only needed columns

# Process in batches
for batch in np.array_split(df, 10):
    process(batch)

Environnement et configuration

Problèmes avec les environnements virtuels

Problème : L'environnement virtuel ne s'active pas

Solution :

# Windows
python -m venv venv
venv\Scripts\activate.bat

# macOS/Linux
python3 -m venv venv
source venv/bin/activate

# Check if activated (should show venv name in prompt)
which python  # Should point to venv python

Problème : Les packages sont installés mais non trouvés dans le notebook

Solution :

# Ensure notebook uses the correct kernel
# Install ipykernel in your venv
pip install ipykernel
python -m ipykernel install --user --name=ml-env --display-name="Python (ml-env)"

# In Jupyter: Kernel → Change Kernel → Python (ml-env)

Problèmes avec Git

Problème : Impossible de récupérer les dernières modifications - conflits de fusion

Solution :

# Stash your changes
git stash

# Pull latest
git pull origin main

# Reapply your changes
git stash pop

# If conflicts, resolve manually or:
git checkout --theirs path/to/file  # Take remote version
git checkout --ours path/to/file    # Keep your version

Intégration avec VS Code

Problème : Les notebooks Jupyter ne s'ouvrent pas dans VS Code

Solution :

Installez l'extension Python dans VS Code
Installez l'extension Jupyter dans VS Code
Sélectionnez l'interpréteur Python correct : Ctrl+Shift+P → "Python: Select Interpreter"
Redémarrez VS Code

Ressources supplémentaires

Discussions sur Discord : Posez vos questions et partagez vos solutions dans le canal #ml-for-beginners
Microsoft Learn : Modules ML pour les débutants
Tutoriels vidéo : Playlist YouTube
Suivi des problèmes : Signalez des bugs

Vous rencontrez toujours des problèmes ?

Si vous avez essayé les solutions ci-dessus et que vous rencontrez toujours des problèmes :

Recherchez les problèmes existants : GitHub Issues
Consultez les discussions sur Discord : Discussions sur Discord
Ouvrez un nouveau ticket : Incluez :
- Votre système d'exploitation et sa version
- Version de Python/R
- Message d'erreur (trace complète)
- Étapes pour reproduire le problème
- Ce que vous avez déjà essayé

Nous sommes là pour vous aider ! 🚀

Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.

15 KiB Raw Blame History

Guide de dépannage

Table des matières

Problèmes d'installation

Installation de Python

Installation de Jupyter

Installation de R

Problèmes avec Jupyter Notebook

Problèmes de kernel

Problèmes avec les cellules du notebook

Problèmes avec les packages Python

Erreurs d'importation

Conflits de version

Problèmes de chargement des données

Problèmes avec l'environnement R

Installation de packages

Problèmes avec RMarkdown

Problèmes avec l'application de quiz

Construction et installation

Erreurs de construction

Problèmes de données et de chemins de fichiers

Problèmes de chemin

Fichiers de données manquants

Messages d'erreur courants

Erreurs de mémoire

Avertissements de convergence

Problèmes de visualisation

Erreurs Unicode/Encodage

Problèmes de performance

Exécution lente des notebooks

Utilisation élevée de la mémoire

Environnement et configuration

Problèmes avec les environnements virtuels

Problèmes avec Git

Intégration avec VS Code

Ressources supplémentaires

Vous rencontrez toujours des problèmes ?

15 KiB

Raw Blame History