Compte-Rendu TP(3): Apprentissage supervisé par la classification conception d’un modèle de
classification d’images.
SIDI NADIR Groupe: A
BEN ALLEL ABDELMADJID ISLEM Sous-groupe: A2
Objectif du TP:
C’est la découvert des problèmes de classification avec des perception multi-couches.
Introduction:
L’apprentissage supervisé est une méthode d’apprentissage automatique, caractérisée par la création d’un
algorithme qui apprend une fonction prédictive. Ceci est possible grâce à un entraînement à partir
d’exemples étiqueté, qui inclus un groupe de variable d’entrée, accompagnées de leurs variables de sortie
respectives.
Explication sur l’algorithme d’apprentissage supervisé par la classification neuronale artificielle
étape par étape:
La classification neuronale artificielle est un système dont la conception est à l’origine schématiquement
inspirée de la manière dont les neurones biologiques s’envoient des signaux. Les réseaux de neurones
artificiels (ANN) sont constitués de couches nodales (nœuds), contenant une couche d’entrée, une ou
plusieurs couches cachées et une couche de sortie. Chaque nœud, ou neurone artificiel, se connecte à un
autre et possède un poids et un seuil associés, selon la valeur de seuil spécifiée de la sortie d’un nœud.
# Chargement des bibliothèques
import numpy as np
import [Link] as plt
import pandas as pd
import seaborn as sns
from [Link] import ModelCheckpoint
from [Link] import fashion_mnist
from [Link] import Dense, Dropout, Activation
from [Link] import Sequential
from [Link] import np_utils
Maintenant, nous allons parler un peut sur le programme. Tout d’abord, nous avons télécharger les
bibliothèque comme (numpy,matplotlib,pandas,seaborn et keras) pour que le programme fonctionne
correctement.
Ensuite, nous avons fait le chargement de notre base de donnée. Après cette étape, nous avons écrit le
commande suivante pour avoir un graphe en utilisant la boucle for aussi subplot et print pour qu’elle
affiche.
#Chargement de la base de données
(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()
print("X_train original shape", X_train.shape)
print("y_train original shape", y_train.shape)
class_labels_dict={0:"Tshirt/
top",1:"Trouser",2:"Pullover",3:"Dress",4:"Coat",5:"Sandal",6:"Shirt",7:"Sneaker",8:"Bag",9:"Ankle boot"}
fig = [Link](figsize=(10,4))
for i in range(10):
[Link](2,5,i+1)
img = X_train[y_train == i][0]
[Link](img, cmap='gray', interpolation='none')
[Link]("Class: {}".format(class_labels_dict[i]))
# Organisation des données
X_train = X_train.reshape(X_train.shape[0], 784)
X_test = X_test.reshape(X_test.shape[0], 784)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
print("Training matrix shape", X_train.shape)
print("Testing matrix shape", X_test.shape)
X_train /= 255
X_test /= 255
Une fois que c’est bon nous avons fait le chargement de notre base de donnée l’étape suivante c’est
l’organisation des données.
# Conversion des données d'un vecteur d'une dimension à une matrice
num_classes = 10
Y_train = np_utils.to_categorical(y_train, num_classes)
Y_test = np_utils.to_categorical(y_test, num_classes)
model = Sequential()
[Link](Dense(512, input_shape=(784,)))
[Link](Activation('relu'))
[Link](Dropout(0.2))
[Link](Dense(512))
[Link](Dropout(0.2))
[Link](Dense(num_classes))
[Link](Activation('softmax'))
L’étape qui suit l’organisation de ces données c’est la conversion d’un vecteur d’une dimension à une
matrice.
# Compilation du modele
[Link](loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
Enfin, nous allons compiler le modele d’apprentissage supervisé par la classification neuronale
artificielle.
Conclusion:
On conclu que l'apprentissage supervisé par la classification est une méthode essentielle pour entraîner des
modèles de classification d'images. En utilisant des algorithmes et des techniques avancées, on peut
enseigner à un modèle comment reconnaître et catégoriser différentes images avec une grande précision.
Cela ouvre la voie à de nombreuses applications passionnantes, comme la détection d'objets, la
reconnaissance faciale et bien plus encore. L'apprentissage supervisé par la classification est une composante
clé de l'intelligence artificielle et permet de résoudre des problèmes complexes de manière efficace.
