But de TP: 3. PyTorch: PyTorch est une bibliotheque open
L’etudiant apprendra a utiliser ce qu’il a appris pour source developpe par facebook et ecrtie en python, le demarrer un projet utilisant l’intelligence Artificielle. but de PyTorch est de fournit des outils flexible pour: Ils apprendront egalement a trouver les informations — Création de modèles de réseaux de et les objets don’t ils ont besoin. neurones, — Traitement du langage naturel, — Analyse d’images et de vidéos, 3. Travail demandé: — Prédiction des séries chronologiques. 1-Citer l’utilité des bibliothèques étudiées dans 4. Sklearn: Scikit-learn, ou Sklearn, est une boîte à le domaine de l’IA: outils logicielle en Python dédiée à la résolution rapide et aisée de problèmes mathématiques. Il offre 1. TensorFLow: TensorFlow est une une variété d'outils pour différents types de bibliotheque/boite a outils d’Intelligence problèmes, facilitant la création de modèles et la Artificiel developpee par Google et ecrite en préparation des données pour leur utilisation en C++. TensorFlow permet de resourdere des mathématiques. problemes mathematiques complexes. — Choisir un modèle, On peut utiliser TensorFlow apres — Paramétrer le modèle, l’importation dans l’IDE. — Entraîner le modèle, Elle permet d’entraîner et d’exécuter des — Tester le modèle réseaux de neurones pour la classification : 4-Décrire la stratégie que vous utiliser pour — de chiffres écrits à la main, diviser la base de données en deux sous — la reconnaissance d’image, ensembles d’apprentissage et de test. — les modèles pour la traduction automatique, Le dataset Iris contient des mesures de fleurs d'iris — ou encore le traitement naturel du sur 4 caractéristiques - longueur du sépale, largeur du langage. sépale, longueur du pétale et largeur du pétale. Il y a 3 classes représentant 3 espèces d'iris. 2. Keras: Keras est une API open source ecrite Pour diviser les données en ensembles d'entraînement on python qui permet de creer des modeles de Deep et de test, j'utiliserais la fonction train_test_split de Learning et de manipuler des reseaux neurons. Scikit-learn. Cela divise les données de manière Keras donner la possibilite de: aléatoire en deux sous-ensembles tout en préservant le — combiner des modules de couches de pourcentage d'échantillons pour chaque classe. neurones, — des optimiseurs, — des schémas d’initialisation, — des fonctions d’activation, — des schémas de régularisation pour créer de nouveaux modules.