Mini Projet en Python
Transféré par
ScribdTranslationsMini Projet en Python
Transféré par
ScribdTranslationsMINI-PROJET #1.
RÉSEAUX NEURONAUX ARTIFICIELS
PROFESSEUR : WILFREDO ALFONSO M
CONCEPTIOND'UNCLASSIFICATEURAVECDESRÉSEAUXNEURONAUXARTIFICIELSEN
PYTHON1
OBJECTIFS :
1. Comprendre le fonctionnement des Réseaux de Neurones Artificiels en Python en utilisant le
la bibliothèque Keras dans le backend de TensorFlow.
2. Construire un réseau de neurones artificiel de type feedforward pour la classification des motifs.
3. Valider le fonctionnement d'un Réseau Neuronal Artificiel dans un problème de classification de
patrons.
4. Comprendre et mettre en œuvre les divers hyperparamètres fournis par Keras
pour l'entraînement d'un réseau neuronal de type feedforward.
ÉNONCÉ :
Sélectionnez une base de données du dépôt de l'Université de Californie :
http://archive.ics.uci.edu/ml/index.php
Comme il s'agit de travailler directement sur la partie classification, veillez à sélectionner celui qui
indique dans le type d'attributs qui est "catégorial".
1. Téléchargez la base de données du référentiel.
2. Concevez un réseau de neurones artificiels feedforward. Pour cela, considérez :
a. Généralement, pour les systèmes catégoriels, on utilise une couche de sortie de type
SoftmaxóSigmoide.
b. Dans la couche cachée, deux types de fonctions d'activation courantes pour lui donner des caractéristiques
non linéaires sont ReLU et tanh.
c. Veuillez noter que l'utilisation de deux fonctions d'activation linéaires générera une sortie
évidemment linéaire, évitez de faire des relations de ce type si vous souhaitez fournir
caractéristiques non linéaires dans la réponse du réseau de neurones.
3. La fonction de coût et l'optimiseur sont certains des éléments les plus importants pour améliorer
la qualité de la solution de votre système de classification. C'est pourquoi il est demandé de former des réseaux
neurones en utilisant différentes fonctions de coût et au moins trois optimisateurs.
4. En fonction du réseau sélectionné et de la combinaison initiale des fonctions d'activation
sélectionnées, présente une nouvelle combinaison des fonctions d'activation en effectuant
les différentes fonctions de coût et optimisateurs du numéro précédent.
5. Présentez un cahier avec les résultats obtenus. Veuillez présenter les différentes
graphes des processus d'apprentissage, les différentes topologies (utilisez au moins 4 d'entre elles–
neurones dans la couche cachée). Soyez organisé et décrivez les observations de chaque cas. Incluez
conclusions. Pour améliorer la comparaison, utilisez une graine commune et initialisez les poids
des neurones pour chaque combinaison W = np.random.randn(shape)*0.01 et b = np.zeros(n1,1).
