Université UADB
Département d’Informatique
Série d’exercices
RNN
Exercice 1
.
1. Téléchargez un jeu de données de température
2. Pré-traitez les données pour extraire la température moyenne quotidienne et nor-
malisez les valeurs.
3. Construisez un modèle RNN pour prédire la température du jour suivant en utili-
sant les températures des 30 derniers jours comme entrée.
4. Entraı̂nez et évaluez le modèle .
5. Prévoir la température pour les 7 prochains jours et affichez les résultats.
Exercice 2 :
1. Téléchargez un dataset historique des prix d’une action (par exemple, de Yahoo
Finance) (import yfinance).
2. Pré-traitez les données en extrayant les prix de clôture et en les normalisant.
3. Construisez un modèle RNN pour prédire le prix de clôture du jour suivant en
utilisant les prix des 30 derniers jours comme entrée.
4. Entraı̂nez le modèle et évaluez-le à l’aide de la Mean Squared Error (MSE).
5. Testez le modèle pour prédire les prix des 7 prochains jours.
Exercice 3
1. Téléchargez un corpus textuel, comme un livre (par exemple, un livre de Project
Gutenberg).
2. Pré-traitez les données en tokenisant les caractères et en encodant chaque caractère
en entier.
3. Implémentez un modèle RNN ou LSTM pour prédire le prochain caractère basé
sur une séquence de caractères donnée.
4. Entraı̂nez le modèle et générez un texte de 500 caractères à partir d’un texte de
départ.
Cours : Deep Learning 1
Enseignant : Dr Seydou Nourou SYLLA
Université UADB
Département d’Informatique
Exercice 4
1. Créer un modèle LSTM pour traduire de l’anglais au français à partir d’un dataset
de traduction.
Exercice 5
Dans cet exercice, les données sont téléchargeable
https ://[Link]/numenta/NAB/master/data/artificialWithAnomaly/art daily small
1. Détecter des anomalies dans cette série .
Exercice 6 :
— Simuler des données commes suit et Prédire les ventes d’un produit en fonction
des données historiques générées
— dates = [Link] range(start=”2023-01-01”, periods=365)
— sales = [Link]([Link](0, 2 * [Link], 365)) * 50 + 200 +[Link](0,
10, 365)
— data = [Link](’date’ : dates, ’sales’ : sales).
Exercice 7 : Génération de Code Source Automatique
1. Implémenter un RNN capable de générer des fragments de code Python
Cours : Deep Learning 2
Enseignant : Dr Seydou Nourou SYLLA
