Université Tunisienne de ‫الجامعة التونسية للتكنولوجيا‬

Technologie TUTECH- ‫مدنين‬

MEDENINE

Examen : Apprentissage Automatique Filière : L3-IM

Enseignant : Fatma Salah Nom et Prénom :………………………….

Questions de cours :

1. Quelle est la différence entre l’apprentissage supervisé et l’apprentissage non supervisé ?

2. Quelle est les principales composantes du réseau de neurones ?
3. Décrire le principe de K-NN.
4. Citer les différents types de fonctions d’activation.

Exercice 1 :
Le tableau suivant contient des données sur les résultats obtenus par des étudiants de Tronc
Commun (première année à l'Université). Chaque étudiant est décrit par 3 attributs : Est-il
doublant ou non, la série du Baccalauréat obtenu et la mention. Les étudiants sont répartis en
deux classes : Admis et Non Admis.
On veut construire un arbre de décision à partir des données du tableau, pour rendre compte des
éléments qui influent sur les résultats des étudiants en Tronc Commun. Les lignes de 1 à 12 sont
utilisées comme données d'apprentissage. Les lignes restantes ( de 13 à 16) sont utilisées comme
données de tests.

1
Travail à faire : Utiliser les données des lignes de 1 à 12 pour construire l'arbre en utilisant
l'algorithme ID3.
1. Calculer la probabilité de chaque classe.
2. Calculer l’entropie de l’ensemble des données S.
3. Calculer le gain d'entropie de chaque attribut ("Doublant", "Série" et "Mention").
4. Quel est le premier attribut à vérifier dans l'arbre.
5. Dessinez l'arbre partiel.

Exercice 3 :
Voici le code suivant :

import tensorflow as tf
import numpy as np from tensorflow.keras.models
import Sequential from tensorflow.keras.layers
import Flatten from tensorflow.keras.layers
import Dense from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
gray_scale = 255
x_train /= gray_scale
x_test /= gray_scale
model = Sequential([
Flatten(input_shape=(28, 28)),
Dense(256, activation='sigmoid'),
Dense(128, activation='sigmoid'),
Dense(10, activation='sigmoid'), ])

2
Écrire un extrait de code pour :
1. Compiler le modèle
2. Adapter le modèle
3. Calculer la précision (Accuracy) du modèle.