Académique Documents
Professionnel Documents
Culture Documents
Manipulation De Mmu
En Python
Réalisé par :
- Ben elkhiraoui Mohammed
- Namata Ben Mohammed
- Tamir Chaimaa
Encadré par :
- Mr Madiafi Mohammed
1
Remerciements
C’est avec plaisir que nous réservons ces quelques lignes en
signe de gratitude et de profonde reconnaissance à tous ceux qui, de
près ou de loin, ont contribué à l’aboutissement de ce travail.
Tout d’abord nous remercions Dieu, le tout-puissant qui nous a
permis d’accomplir à la fin de ce projet.
Nous tenons aussi à remercier tous ceux et celles qui ont apporté
leur contribution quel qu’elle soit à l’accomplissement de cette étude.
Un grand merci à notre encadrant Mr. le Professeur Madiafi
Mohammed qui nous a enseigné et guidé pour réaliser ce projet.
Une grande mention aux responsables personnels de l’école
Nationale des Sciences Appliquées de SAFI, qui nous fournissent une
formation de qualité dans un cadre d’étude agréable.
2
Sommaire
Table des matières
Remerciements ..................................................................................................................... 2
Sommaire .............................................................................................................................. 3
Liste des figures ................................................................................................................... 4
Introduction ......................................................................................................................... 5
Chapitre I : Analyse du projet ............................................................................................ 6
1.1 Choix du sujet ............................................................................................................. 6
1.1.1 L´Intelligence Artificielle .................................................................................. 6
1.1.2 Machine Learning .............................................................................................. 7
1.1.3 Machine Learning Supervise ............................................................................. 7
1.1.4 Machine Learning Non Supervise...................................................................... 8
1.1.5 Machine Learning Par Renforcement ................................................................ 9
1.2 Cahier de charges ..................................................................................................... 10
Chapitre II : Réalisation du projet................................................................................... 11
2.1 Technologies Logiciels .............................................................................................. 11
2.2 Réalisation ................................................................................................................. 12
2.2.1 Base de données des Yeu ................................................................................ 12
Conclusion et Perspectives ................................................................................................ 17
Webographie ...................................................................................................................... 18
3
Liste des figures
FIGURE 1 : INTELLIGENCE ARTIFICIELLE.............................................................................................................. 7
FIGURE 2 : APPRENTISSAGE SUPERVISÉ ............................................................................................................. 8
FIGURE 3 : APPRENTISSAGE NON SUPERVISÉ ..................................................................................................... 9
FIGURE 4 : APPRENTISSAGE PAR RENFORCEMENT ........................................................................................... 10
FIGURE 5 : ORGANISATION DU BASE DE DONNEES .......................................................................................... 12
FIGURE 6 : CLASSIFICATION SKLEARN .............................................................................................................. 13
FIGURE 7 : CLASSIFICATION TENSORFLOW ...................................................................................................... 14
FIGURE 8 : COMPILATION ET ENTRAINEMENT DU MODEL ............................................................................... 15
FIGURE 9 : PRECISION DE POURCENTAGE ....................................................................................................... 16
4
Introduction
Ce travail est réalisé par Ben elkhiraoui Mohamed, Namata
Ben Mohammed et Tamir Chaimaa dans le cadre de projet de
Machine Learning, en tant qu’étudiants ingénieurs en Informatique
et Intelligence Artificielle à L’Ecole National Des Sciences
Appliquées De Safi.
Dans un monde d’une révolution perpétuelle du domaine
scientifique et même technologique, on trouve que la présence de «
l’Intelligence Artificielle » est obligatoire, devient de plus en plus
fondamentale, cette dernière nous permet de recevoir et de transmettre
les informations avec une rapidité et efficacité, cette révolution a
donné une motivation pour plus améliorer l’usage de « l’informatique
».
Divisé en deux grandes parties, ce rapport présente dans un
premier temps le contexte du projet ainsi que ses enjeux, puis s’étend
ensuite sur les différentes tâches réalisées sur les deux bases de
données Load_digits set manipulations des images des yeux.
5
Chapitre I : Analyse du
projet
1.1 Choix du sujet
1.1.1 L´Intelligence Artificielle
L'intelligence artificielle (IA, ou AI en anglais pour Artificiel
Intelligence) consiste à mettre en œuvre un certain nombre de
techniques visant à permettre aux machines d'imiter une forme
d'intelligence réelle. L'IA se retrouve implémentée dans un nombre
grandissant de domaines d'application..
6
constitués de serveurs et permettant de traiter de lourds calculs au
sein de gigantesques bases de données [1].
7
solutions pour obtenir ces sorties en fonction de ces entrées. Le but est
que l'ordinateur apprenne la règle générale qui mappe les entrées et les
sorties.
Le Machine Learning supervisé peut se subdiviser en
deux types :
• Classification : la variable de sortie est une catégorie.
• Régression : la variable de sortie est une valeur spécifique.
8
Figure 3 : Apprentissage non supervisé
9
Figure 4 : Apprentissage par renforcement
10
Chapitre II : Réalisation du
projet
On est arrivé maintenant a la réalisation du projet , et
pour ce faire on a utilise plusieurs technologies qu´on
va citer ci-après.
11
2.2 Réalisation
2.2.1 Base de données des Yeux
Passons à la classification :
12
Sklearn
13
Tensorflow
14
Dense lui permet d’implémenter la fonction d’activation sur
l’entrée et renvoie la sortie.
MaxPool2D quand à lui sous échantillonne le tenseur le long de
ses dimensions.
Quant à la couche flatten elle remodèle le tenseur pour avoir
une forme égale au bon format pour la couche suivante.
Le tenseur est un conteneur de données qui sont dans notre cas
de types float32 .
15
Figure 9 : Précision de pourcentage
16
Conclusion et Perspectives
Ce projet nous a permis de mettre en application et de nous
familiariser avec certaines notions d’intelligence artificielle étudiées
lors de ce semestre. Le machine Learning est un domaine qui nécessite
beaucoup d’intuition, et cette intuition s’acquiert grâce à l’expérience.
Ce projet nous permettra donc d’être plus performants sur d’éventuels
travaux futurs.
Il nous a également permis de consolider nos connaissances en
informatique, Nous avons dû concevoir un système alliant chacun de
ces domaines pour fonctionner en harmonie, et mettre en commun nos
compétences pour optimiser notre efficacité.
17
Webographie
: https:// /definitions/informatique-intelligence-artificielle-555/
: https://datascientest.com/machine-learning-tout-savoir
:https://www.journaldunet.com/solutions/dsi/1493139-intelligence-artificielle/
: https://scikit-learn.org/stable/datasets.html
: https://www.tensorflow.org/?hl=fr
18