ollama webui ubuntu

 

curl https://ollama.com/install.sh | sh http://localhost:11434/ ollama run qwen3:30b ollama --version  

installation environnement anaconda (miniconda)

 https://www.anaconda.com/download (Anaconda3-xxxxxx-Windows-x86_64.exe)

installer python 3.12 (les nouvelles versions sont trop avancées pour la compatibilité avec certaines librairies)

dans anaconda Navigator

installer le plugin "JupyterLab" (An extensible environment for…)

dans Environments on peut créer un nouvel environnement avec les packages dont on a besoin et leur version

(ex : conda create --prefix "C:\Programmes\anaconda3\MachineLearning" python=3.12.12)

ouvrir le terminal depuis le nouvel environnement

conda install matplotlib scikit-learn pandas seaborn tensorflow 

pip install --upgrade tensorflow 

conda install git pydot graphviz anaconda-client

lancer juypterlab (ça devrait ouvrir l'url localhost:8888/tree)

------------------------------------------------------------------------------------------------

MINICONDA

------------------------------------------------------------------------------------------------

https://repo.anaconda.com/miniconda/

 https://www.anaconda.com/docs/getting-started/miniconda/install#linux-terminal-installer

https://www.geeksforgeeks.org/machine-learning/set-up-virtual-environment-for-python-using-anaconda/

conda create -n ML_ENV python=3.12.12 anaconda //installe avec toutes les librairies scientifiques

conda activate ML_ENV

 

 

docker ollama

 dans docker hub --> ollama --> pull

ensuite cela apparait dans image

on peut démarrer l'image (nom : ollama_test, port : 11434)

cela créé une entrée dans containers

se connecter à http://localhost:11434

pour installer un modèle en ligne de commande pour Windows --> Invoke-WebRequest -Uri "http://localhost:11434/api/pull" -Method POST -Body '{"name": "llama3"}' -ContentType "application/json"

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

puis le container est lancé et on peut l'atteindre avec http://localhost:3000 (user, mdp)

Connexion WWAN Mobile Ubuntu

 dans le point d'accès :

Nom : Sunrise

APN : internet

Nom d'utilisateur : (vide)

Mot de passe : (vide) 

nordvpn gui ubuntu

 sh <(wget -qO - https://downloads.nordcdn.com/apps/linux/install.sh) -p nordvpn-gui

sudo groupadd nordvpn

sudo usermod -aG nordvpn $USER

(ou bien se connecter avec le menu login de l'application)

reboot

nordvpn login

nordvpn connect

installer docker desktop sur ubuntu 24.04

 https://fr.linux-console.net/?p=34479

sudo apt install apt-transport-https ca-certificates curl gnupg
curl -fsSL https://download.docker.com/linux/debian/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu noble stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

sudo apt-get update && sudo apt-get upgrade && sudo apt-get dist-upgrade && sudo apt-get full-upgrade && sudo apt-get autoremove

télécharger le deb sur cette page : 

https://docs.docker.com/desktop/setup/install/linux/ubuntu/

sudo dpkg -i docker-desktop-amd64.deb

redémarrer

docker desktop sql server

 https://www.youtube.com/watch?v=Y7CMbve-Mos

télécharger docker desktop : https://www.docker.com/products/docker-desktop/

sur http://mcr.microsoft.com/, cliquer sur "Category - Databases" et sélectionner "Microsoft SQL Server Ubuntu based Images"

dans "About" copier la commande pour 2019-latest --> docker pull mcr.microsoft.com/mssql/server:2019-latest

--> cela créé une entrée dans "Images"

lancer la commande dans un terminal

lancer la commande : docker run -e "ACCEPT_EULA=Y" -e "MSSQL_SA_PASSWORD=yourStrong(!)Password" -p 1433:1433 --name sqlserver2019 --hostname sqlserverHost -d mcr.microsoft.com/mssql/server:2019-latest

on peut aussi depuis "Images" cliquer sur "play" pour créer un container

--> cela créé une entrée dans "Containers" avec le nom "sqlserver2019". on peut créer plusieurs containers (avec des noms différents) à partir des images 

- ON TROUVE LA COMMANDE DANS LA PARTIE "USAGE" DE LA PAGE DE TELECHARGEMENT

- en lançant la commande cela créé le docker dans docker desktop aussi (avec le bon nom)

en passant la commande "docker ps" on doit voir apparaître le docker up

ensuite on se connecte à la base de données :

- server : localhost

- login : sa

- password : yourStrong(!)Password

- select @@VERSION

docker stop sqlserver

url utiles : https://hub.docker.com/

--> podman

ollama_deepseek_pdf_streamlit

def load_pdf(file):

    with open("temp.pdf", "wb") as f:

        f.write(file.getvalue())

    loader = PyPDFLoader("temp.pdf")

    return loader.load()

def get_pdf_first_page_image(file):

    with open("temp.pdf", "wb") as f:

        f.write(file.getvalue())

    doc = pymupdf.open("temp.pdf")

    os.makedirs("static", exist_ok=True)  # Ensure storage directory exists

    pix = doc[0].get_pixmap()

    image_path = "static/first_page.png"

    pix.save(image_path)

    return image_path

def chunk_documents(docs):

    text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)

    return text_splitter.split_documents(docs)

def create_retriever(docs_json):

    docs = json.loads(docs_json)

    embedder = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

    vector = FAISS.from_texts(

        [doc["page_content"] for doc in docs],

        embedder,

        metadatas=[{"source": doc["metadata"].get("source", "Uploaded PDF")} for doc in docs]

    )

    return vector.as_retriever(search_type="similarity", search_kwargs={"k": 3})

def build_prompt():

    prompt = """

    1. Use the following context to answer the question.

    2. If you don't know the answer, say "I don't know."

    3. Keep the answer concise (3-4 sentences).

   

    Context: {context}

   

    Question: {question}

   

    Helpful Answer:"""

    return PromptTemplate.from_template(prompt)

def build_qa_chain(retriever, llm):

    prompt = build_prompt()

    llm_chain = LLMChain(llm=llm, prompt=prompt, verbose=True)

    document_prompt = PromptTemplate(

        input_variables=["page_content", "source"],

        template="Context:\ncontent:{page_content}\nsource:{source}",

    )

    combine_documents_chain = StuffDocumentsChain(

        llm_chain=llm_chain,

        document_variable_name="context",

        document_prompt=document_prompt,

    )

    return RetrievalQA(

        combine_documents_chain=combine_documents_chain,

        retriever=retriever,

        return_source_documents=True,

    )

def main():

    st.set_page_config(layout="wide")

    st.title("🚀 Fast RAG-based QA with DeepSeek R1")

   

    with st.sidebar:

        uploaded_file = st.file_uploader("Upload a PDF file", type="pdf")

       

        if uploaded_file:

            try:

                image_path = get_pdf_first_page_image(uploaded_file)

                st.image(image_path, caption="First Page Preview", use_column_width=True)

            except Exception as e:

                st.error("Failed to load preview: " + str(e))

   

    if uploaded_file:

        with st.spinner("🔄 Processing PDF..."):

            retriever = process_pdf(uploaded_file)

       

        llm = get_llm()

        qa_chain = build_qa_chain(retriever, llm)

       

        user_input = st.text_input("Enter your question:")

       

        if user_input:

            with st.spinner("🤖 Generating response..."):

                response = qa_chain.invoke({"query": user_input})["result"]

                st.write("### 📜 Answer:")

                st.write(response)

    else:

        st.info("📥 Please upload a PDF file to proceed.")

install environnement développement ubuntu 24.04 python

 depuis le store :
- vscode
- jupyterlab (puis installer python depuis la)

sudo apt-get install python3-pip

sudo apt-get install python3-numpy (pour installer un package)

https://www.cherryservers.com/blog/install-pip-ubuntu

pour savoir où est installé python : which python3 

CLASSE

------

class Voiture:

    marque: str

    modele: str

    def __init__(self, marque: str, modele: str):

        self.marque = marque

        self.modele = modele

    def afficher_infos(self):

        print(f"Voiture : {self.marque} {self.modele}")

INSTANCIATION

-------------

ma_voiture = Voiture("Tesla", "Model 3")

ma_voiture.afficher_infos()

ENVIRONNEMENT VENV

------------------

#création de l'environnement. cela créé un répertoire ENV_DIR avec une certaine structure

which python3 ou 

python -m venv ENV_DIR

#pour l'activer

./ENV_DIR/Scripts/activate

#installer les requirements

#faire un fichier requirements.txt avec p.ex

Flask==3.0.2

Flask-Cors==4.0.0

Flask-WTF==1.2.1

future==1.0.0

gevent==24.2.1

greenlet==3.0.3

pip install -r requirements.txt

#dans vscode faire ctrl+shift+p - aller dans "python interpreter" et sélectionne le python dans le répertoire script

Postman variable token

- créer une collection

- créer une request

- dans "Authorization", "Auth Type" : "Bearer Token", "Token" : {{MON_TOKEN}}

- sur la collection

- clic droite, Edit

- Scripts / Pre-request

pm.sendRequest({

    url: "https://login.microsoftonline.com/XXX/oauth2/v2.0/token",

    method: 'POST',

    headers: {

        'Content-Type': 'application/x-www-form-urlencoded'

    },

    body: {

        mode: 'urlencoded', 

        urlencoded: [

            { key: "grant_type", value: 'client_credentials' },

            { key: "client_id", value: 'XXX' },

            { key: "client_secret", value: 'XXX' },

            { key: "scope", value: 'https://XXX.crm4.dynamics.com/.default' }

        ]

    }

}      ,

(err, res) => {

    if (err) {

        console.log(err);

        return;

    }

    // Vérifiez si le statut de la réponse est 200

    if (res.code === 200) {

              console.log("OK récupération du token:", res);

        const responseJson = res.json();

        const token = responseJson.access_token;

        // Sauvegarder le token dans une variable d'environnement de collection

        pm.collectionVariables.set("MON_TOKEN", token);

    } else {

        console.log("Erreur lors de la récupération du token:", res);

    }

});

exemples github desktop + branches

 - créer un projet sur GitHub.com
- depuis GitHub desktop, faire un clone du projet
- créer un projet C#
- commiter le premier code sur GitHub
- depuis GitHub desktop créer une nouvelle branche "ajout_writeline"
- publish la branche
- ajouter du code dans program.cs
- commiter/push dans la brahce "ajout_writeline"
- depuis GitHub desktop, revenir sur la branche "main"
--> le code ajouté doit disparaitre
- ajout d'une méthode dans program.cs
- commit push dans la branche 'main'
- depuis GitHub desktop, revenir sur la branche "ajout_writeline"
- depuis GitHub desktop, "Create Pull Request"
- si ok, merge pull request
- delete branche "ajout_writeline"
- depuis GitHub desktop, se remettre sur la branche "main" et faire un refresh
--> le code doit être fusionné
- depuis GitHub desktop, supprimer la branche également

page table bootstrap pagination filtre tri

https://codepen.io/delphives/pen/gxWMvN