Ecole marocaine des Sciences
De l'Ingénieur (E.M.S .I)
Classe : Cinquième Année
Filière : INGÉNIERIE INFORMATIQUE ET RÉSEAUX
Date : 14/02/2023
Durée : 1h30
Examen Developpement Multi Platformes
Nom: ---------------------------------------------------
Prénom: ---------------------------------------------------
Exercice 1 (6pts): QCM (Cocher la ou les bonnes réponses)
Comment appelle-t-on les données nécessaires à la
construction du modèle de réseaux de neurones :
o Données de test
o Données d’apprentissage
o Données de validation
Qu’est-ce que le Machine Learning ?
o Le Machine Learning (ML) est un
domaine de l’informatique.
o Le Machine Learning est un type
d’intelligence artificielle qui permet
d’extraire des modèles à partir de
données brutes en utilisant un
algorithme ou une méthode.
o L’objectif principal du Machine Learning
est de permettre aux systèmes
informatiques d’apprendre à partir de
l’expérience sans être explicitement
programmés ou sans intervention
humaine.
Parmi les algorithmes suivants, lesquels sont utilisés
pour les tâches d'apprentissage non supervisées?
o Perceptron multi couche
o K-means
o CN
Pr. ANIBOU Chaimae
Note
Dropout est une technique qui:
o Supprime des neurones dans les couches du
modèle
o Permet de réduire l'overfitting
o Désactive aléatoirement des neurones
La différence entre machine Learning et Deep
Learning :
o Le Deep Learning, le système identifie lui-
même les caractéristiques discriminantes
des données, en revanche ML nécessite
une phase d'extraction de caractéristiques
o Deep Learning a besoin d’un volume de
données bien plus considérable que pour
ML.
o Deep Learning nécessite des données
structurées, cependant ML utilise des
données non structurées.
La figure suivante représente :
o RNN
o LSTM
o CNN
Ecole marocaine des Sciences
De l'Ingénieur (E.M.S .I)

Classe : Cinquième Année

Filière : INGÉNIERIE INFORMATIQUE ET RÉSEAUX
Date : 14/02/2023
Durée : 1h30

Exercice 2 (6pts):
Analyser les programmes suivants et dire ce qu’ils affichent comme résultats
----------------------Model1.py---------------------
model = Sequential()
model.add(LSTM(units=50,return_sequences=True,input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(units=50,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=1))
model.compile(optimizer='adam',loss='mean_squared_error')
model.fit(X_train,y_train,epochs=1,batch_size=32)
model.save('model.h5')
-------------------------Model2.py-----------------------------
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10)
]) -------------------------Model3.py-----------------------------------
@app.route('/', methods=['POST', 'GET'])
def index():
if request.method == 'POST':
file = request.files['image']
fullname = os.path.join(UPLOAD_FOLDER, file.filename)
file.save(fullname)
pred_prob = 0.9
if pred_prob > .5:
label = 'Spam'
accuracy = round(pred_prob * 100, 2)
else:
label = 'Not sPAM
accuracy = round((1 - pred_prob) * 100, 2)
return render_template('index.html', image_file_name=file.filename, label=label,
accuracy=accuracy,
predict=True)
else:
return render_template('index.html', predict=False)

Pr. ANIBOU Chaimae

Ecole marocaine des Sciences
De l'Ingénieur (E.M.S .I)

Classe : Cinquième Année

Filière : INGÉNIERIE INFORMATIQUE ET RÉSEAUX
Date : 14/02/2023
Durée : 1h30

Exercice 3 (8pts):
Votre mission consiste à concevoir et réaliser une Application multiplateformes nommée Brain
Cancer Detection App permettant la détection des lésions malignes dans des images IRM (voir Fig ci-
dessous)
Maligne 95% Bégnine 88%

NB: maligne(cellule cancéreuse), bégnine(cellule non cancéreuse)

1.Quel paradigme de programmation va-t-on utilisé : Classique ou Machine Learning ?

Justifier votre réponse.
2. Quels langages, architecture et bibliothèques va-t-on utilisé ? Justifier votre réponse.

3. Discuter le Dataset qu’on doit utiliser

4. Proposer un modèle d’apprentissage
5. Proposer un code pour cette application.

Pr. ANIBOU Chaimae