Académique Documents
Professionnel Documents
Culture Documents
Les réseaux de neurones artificiels, inspirés du cerveau humain, jouent un rôle central dans
l'intelligence artificielle moderne. Ce projet se plongera dans leur fonctionnement, leur conception.
Nous verrons dans ce projet en premier lieu les outils utilisés ainsi que certaines notions, et en second
lieu les résultats sous formes de graphe.
I. Présentation du projet :
Objectifs :
Dans ce projet on a comme objectif la réalisation d’une application pour prédire et modélisé les séries
temporelles par réseaux de neurones artificielles multicouches. Tout cela en se basant sur le système
dynamique simple, qui est l’application logistique :
xn+1 = Axn(1-xn) = f(xn)
Langage :
Python : est un langage de programmation interprété, multi paradigme et multiplateformes. Il
favorise la programmation impérative structurée, fonctionnelle et orientée objet.
Matplotlib est une bibliothèque Python open source permettant de créer des visualisations de
données.
1. Couche d'entrée :
- Une seule unité.
- La fonction d'activation n'est pas spécifiée ici, ce qui signifie qu'il s'agit d'une couche dense (fully
connected) avec une activation linéaire par défaut.
2. Couche cachée :
- Une couche cachée avec 64 neurones.
- La fonction d'activation utilisée est ReLU (Rectified Linear Unit), ce qui permet d'introduire une
non-linéarité dans le modèle.
3. Couche de sortie :
- Une seule unité de sortie.
- La fonction d'activation n'est pas spécifiée ici, ce qui signifie qu'il s'agit également d'une couche
dense avec une activation linéaire par défaut.
4. Compilation du modèle :
- La fonction de perte (loss) est définie comme étant la Mean Squared Error (MSE), ce qui est
couramment utilisé pour les problèmes de régression.
- L'optimiseur est défini comme "adam", qui est une méthode d'optimisation couramment utilisée.
L'architecture du modèle est relativement simple, avec une seule couche cachée contenant 64
neurones. Cette architecture a été choisie à titre d'exemple pour illustrer le processus d'apprentissage
d'un modèle de séries temporelles. Dans la pratique, le choix de l'architecture dépendra de la
complexité du problème de séries temporelles et des performances qu’on souhaite atteindre.
B- Extrait de code :
L’application logistique :
En prenant A = 2 et la valeur initiale x0 = 0.1 et en générant les 500 premières valeurs de xn.
import numpy as np
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
# Paramètres
A = 2
x0 = 0.1
num_steps = 1000
epochs = 100
batch_size = 32
# Compilation du modèle
model.compile(optimizer='adam', loss='mean_squared_error')
# Entraînement du modèle
history = model.fit(x_data, y_data, epochs=epochs, batch_size=batch_size)
for _ in range(num_generated_steps):
xn = sequence_xn[-1]
xn_plus_1 = model.predict(np.array([xn]))[0][0]
sequence_xn.append(xn_plus_1)
import numpy as np
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import tkinter as tk
from tkinter import ttk
for _ in range(num_steps):
xn = data_x[-1]
xn_plus_1 = A * xn * (1 - xn)
data_x.append(xn_plus_1)
data_y.append(xn_plus_1)
return np.array(data_x[:-1]), np.array(data_y)
# Compilation du modèle
model.compile(optimizer='adam', loss='mean_squared_error')
# Entraînement du modèle
model.fit(x_train, y_train, epochs=100, batch_size=32, verbose=0)
for _ in range(num_predictions):
# Prédire la prochaine valeur à partir du modèle
next_value = model.predict(np.array([initial_value]))[0][0]
table.pack()
root.mainloop()
C- Résultats :
Graphique des 500 premières valeurs de Xn générées
Conclusion :
En conclusion, l’application de réseaux de neurones dans la logistique ouvre la voie à une gestion
plus efficace des opérations, à des prévisions plus précises et à des économies de coûts significatives.
Leur capacité d’apprentissage automatique et d’adaptation en fait des outils indispensables pour
relever les défis complexes de l’intelligence artificielle. A mesure que la technologie continue
d’évoluer, il est clair que les réseaux de neurones joueront un rôle de premier plan dans la
modernisation.