Skip to main content

Premier Lancement : De A à Z

Maintenant que votre environnement est configuré, nous allons lancer le pipeline complet via le notebook principal 00_master_pipeline.ipynb. Ce notebook orchestre toutes les étapes, de la sélection des données à la génération d’un rapport de session.

Utilisateurs de Codespaces

Si vous utilisez un Codespace, l’environnement est déjà prêt. Ouvrez notebooks/ et lancez 00_master_pipeline.ipynb. Un petit jeu de données de démonstration peut déjà être présent selon la configuration du Codespace.

Checklist (30 secondes)
  • Vous exécutez bien dans le kernel AstroSpectro (Py3.11) (ou équivalent).
  • Votre fichier .env est configuré si vous utilisez des accès (voir Connexion Gaia).
  • En local : data/raw/ contient des spectres (sinon faites l’étape 1).

Étape 1 : Acquérir des Données (si nécessaire)​

Si c’est votre toute première exécution en local, le dossier data/raw/ est vide :

  1. Ouvrez le notebook notebooks/01_download_spectra.ipynb.
  2. Utilisez l'interface ci-dessous pour lancer le téléchargement. Pour un test rapide, sélectionnez environ 1000 spectres.
Figure 1 : L'interface interactive pour configurer et lancer l'acquisition des données.

Figure 1 : L'interface interactive pour configurer et lancer l'acquisition des données.

Besoin des options avancées (workers/scrapes/tqdm/auto-throttle/validation FITS/dry-run) ? Elles sont documentées dans Guides d’utilisation → Téléchargement.

Étape 2 : Lancer la pipeline complète​

Une fois que vous avez des données :

  1. Ouvrez le notebook principal : notebooks/00_master_pipeline.ipynb.
  2. Exécutez toutes les cellules de haut en bas.
Figure 2 : L'orchestrateur principal (00_master_pipeline) prêt à l'emploi.

Figure 2 : L'orchestrateur principal (00_master_pipeline) prêt à l'emploi.

Le notebook exécute séquentiellement le MasterPipeline :

  • Initialise l'environnement, l'accès à Gaia, ainsi que crée ou valide l'arborescence des répertoires nécessaires. (la première connection peut prendre quelques temps)
  • Sélection d’un lot : Définissez simplement le nombre de spectres souhaité (ex: batch_size=1000) et conservez la stratégie par défaut (random).
  • Génération d’un catalogue local pour ce lot.
  • Traitement & Extraction des features (plusieurs dizaines de features possibles selon la config).
  • Entraînement & Évaluation via une interface interactive.

Entraînement (premier run recommandé)​

Dans l’interface d’entraînement, vous pouvez choisir plusieurs modèles (ex. XGBoost, RandomForest, SVM, ExtraTrees, KNN, MLP, etc.) et ajuster des hyperparamètres.

Objectif : valider que la chaîne complète fonctionne (pas optimiser la performance).

Pour une première exécution, privilégiez la simplicité :

  • Pour un premier run, on recommande XGBoost ou RandomForest (rapides, robustes), puis explorer les autres modèles ensuite.
  • Laissez les valeurs par défaut (ou un template/preset si disponible)
  • Lancez le batch / l’exécution
Figure 3 : Le panneau de contrôle pour choisir votre modèle (XGBoost/RF) sans toucher au code.

Figure 3 : Le panneau de contrôle pour choisir votre modèle (XGBoost/RF) sans toucher au code.

Toute la documentation “propre” sur : templates/préréglages, recherche HP, calibration, choix du modèle, etc. est dans Guides d’utilisation → Entraînement.

Étape 3 : Examiner les Résultats​

À la fin de l’exécution, plusieurs artefacts sont produits :

  • Un fichier CSV dans data/processed/ (features prêtes pour analyse).
  • Un modèle .pkl dans data/models/.
  • Un rapport de session JSON dans data/reports/, ainsi que les graphiques d'analyse des résultats (feature_importance, roc, confusion_matrix, precision_recal, etc).


Félicitations !

Vous avez exécuté le pipeline de bout en bout et obtenu vos premières classifications.
Vous êtes maintenant prêt à explorer le projet plus en profondeur !

🧭 Et maintenant ? Choisissez votre voie :

🔭 Comprendre la Science

Découvrez les concepts astrophysiques derrière le code : classification spectrale, normalisation des flux et équations.

Explorer le Contexte →

⚡ Devenir un Expert

Apprenez à configurer les workers, optimiser le téléchargement et créer vos propres presets d'entraînement.

Consulter les Guides →