Académique Documents
Professionnel Documents
Culture Documents
OBJECTIF DU TP:
L’étudiant sera capable de transférer les connaissances acquises afin de démarrer un projet en
Intelligence Artificielle. Aussi, d’identifier les données et ressources nécessaires, de les traiter
correctement, de choisir le modèle adéquat.
TensorFlow:
Utilité : TensorFlow est une bibliothèque open-source développée par Google, largement utilisée
pour la création et le déploiement de modèles d'apprentissage machine et d'apprentissage
profond.
PyTorch:
Utilité: PyTorch est une bibliothèque d'apprentissage profonde qui gagne en popularité. Elle est
appréciée pour sa facilité d'utilisation et sa flexibilité.
Keras:
Utilité: Keras est une interface haut niveau construite au-dessus de bibliothèques telles que
TensorFlow et Theano. Elle simplifie la création de réseaux de neurones en fournissant une API
conviviale tout en offrant une grande flexibilité pour la conception de modèles complexes.
Scikit-Learn:
Utilité: Scikit-Learn est une bibliothèque d'apprentissage automatique en Python qui offre des
outils simples et efficaces pour l'analyse de données et la modélisation prédictive. Elle propose
une large gamme d'algorithmes d'apprentissage supervisé et non supervisé, ainsi que des outils
pour l'évaluation des modèles.
Randomisation : mélangez aléatoirement l'ensemble de données. Cela garantit que les deux
ensembles (apprentissage et test) sont représentatifs de la distribution globale des données.
1
pour l'ensemble d'apprentissage et 20% pour l'ensemble de test, mais cela peut varier en fonction
de la taille de votre ensemble de données et des caractéristiques spécifiques du problème.
Division: Divisez les données en deux ensembles en utilisant la proportion définie. Vous pouvez
prendre les premières 80% des données comme ensemble d'apprentissage et les 20% restants
comme ensemble de test. Assurez-vous que la division est aléatoire pour éviter tout biais
potentiel.
Validation (si applicable) : Dans certains cas, vous pouvez également diviser l'ensemble
d'apprentissage en un ensemble d'apprentissage et un ensemble de validation si vous avez
besoin d'ajuster les hyperparamètres du modèle.
Conclusion :