Avant de concevoir votre première API d'inférence de Machine Learning, vous devez mettre en place un environnement de travail sain et hermétique.

En tant que professionnel de la donnée, vous utilisez probablement déjà un environnement global avec des dizaines de packages (Jupyter, Matplotlib, Seaborn, PyTorch). Il est fortement déconseillé d'installer Flask dans votre environnement système global : le moindre conflit de version entre une bibliothèque web et vos outils d'analyse risquerait de paralyser vos projets.

Adoptons dès aujourd'hui les réflexes de l'ingénierie logicielle propre grâce aux environnements virtuels.

---

🛡️ Étape 1 : Créer et Activer un Environnement Virtuel

Ouvrez votre terminal dans le répertoire où vous souhaitez développer vos projets d'APIs :

Créer un environnement virtuel isolé

# 1. Création de l'environnement virtuel nommé .venv
python -m venv .venv

Activez ensuite l'environnement selon votre système d'exploitation :

=== "Windows (PowerShell)"

.\.venv\Scripts\Activate.ps1

=== "Windows (Invite de commandes CMD)"

.\.venv\Scripts\activate.bat

=== "Linux & macOS (Bash / Zsh)"

source .venv/bin/activate

Dès que votre environnement est actif, le nom (.venv) apparaît au tout début de votre invite de commande dans le terminal.

---

📦 Étape 2 : Installer Flask et la Stack Data

Dans notre environnement virtuel, nous allons installer Flask ainsi que les bibliothèques complémentaires indispensables pour construire des APIs de données :

• Flask : Le cœur du serveur web.
• Pandas : Pour manipuler et formater les jeux de données tabulaires reçus par l'API.
• Scikit-learn : Pour charger vos modèles prédictifs et exécuter des prédictions.
• Joblib : Pour sérialiser et désérialiser rapidement des modèles et pipelines de machine learning.
• Requests : Pour tester l'envoi de requêtes HTTP vers vos propres endpoints.

Installation des dépendances via pip

pip install --upgrade pip
pip install Flask pandas scikit-learn joblib requests

[!TIP] Figer les versions avec requirements.txt :
Pour garantir que votre API tournera à l'identique sur le serveur de production ou dans un conteneur Docker, exportez immédiatement la liste exacte de vos dépendances :

pip freeze > requirements.txt

---

🔍 Étape 3 : Valider l'Installation

Pour certifier que votre environnement est opérationnel, ouvrez une invite interactive Python ou exécutez un script de vérification :

check_setup.py : Vérification des versions installées

import flask
import pandas as pd
import sklearn
import joblib

print(f"Flask version        : {flask.__version__}")
print(f"Pandas version       : {pd.__version__}")
print(f"Scikit-learn version : {sklearn.__version__}")
print(f"Joblib version       : {joblib.__version__}")
print("Environnement Data & Flask prêt pour la production ! 🚀")

Exécutez ce script dans votre terminal :

python check_setup.py

---

Tout est en place ! Dans la prochaine leçon, nous allons écrire notre première application Flask pour servir des indicateurs de performance (KPIs) en format JSON.

Partagez sur les réseaux sociaux

Commentaires