TP Technique d’Intelligence Artificiel

TP1
Abdellah Zouggari
Noual Nedjemedine

But de TP: 3. PyTorch: PyTorch est une bibliotheque open

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