Apprentissage automatique - Historique des versions

El-huissier : /* Résultats */

2020-05-19T08:22:55Z

Résultats

← Version précédente		Version du 19 mai 2020 à 08:22
Ligne 132 :		Ligne 132 :
	J'ai dit précédemment que seulement 2 époques de test allaient nous suffire, en effet si on regarde les résultats obtenus on peut voir que l'on a une précision de 98% ce qui est déjà très correct pour une utilisation comme la nôtre.<br/>		J'ai dit précédemment que seulement 2 époques de test allaient nous suffire, en effet si on regarde les résultats obtenus on peut voir que l'on a une précision de 98% ce qui est déjà très correct pour une utilisation comme la nôtre.<br/>
	Dans le milieu professionnel comme la lecture de chèque de banque 2% d'erreur ne seraient pas acceptables.<br/><br/>		Dans le milieu professionnel comme la lecture de chèque de banque 2% d'erreur ne seraient pas acceptables.<br/><br/>
	[[Fichier:~~Accur_finale~~.png]]		[[Fichier:Precision.png]]

	== Sources ==		== Sources ==

El-huissier : /* Réseau */

2020-05-18T09:18:28Z

Réseau

← Version précédente		Version du 18 mai 2020 à 09:18
Ligne 94 :		Ligne 94 :

	=== Réseau ===		=== Réseau ===
	Nous allons maintenant créer le réseau: <br/>		Nous allons maintenant créer le réseau: <br/><br/>

	[[Fichier:class.png]]		[[Fichier:class.png]]

El-huissier : /* Résultats */

2020-05-18T09:16:51Z

Résultats

← Version précédente		Version du 18 mai 2020 à 09:16
Ligne 131 :		Ligne 131 :
	=== Résultats ===		=== Résultats ===
	J'ai dit précédemment que seulement 2 époques de test allaient nous suffire, en effet si on regarde les résultats obtenus on peut voir que l'on a une précision de 98% ce qui est déjà très correct pour une utilisation comme la nôtre.<br/>		J'ai dit précédemment que seulement 2 époques de test allaient nous suffire, en effet si on regarde les résultats obtenus on peut voir que l'on a une précision de 98% ce qui est déjà très correct pour une utilisation comme la nôtre.<br/>
	Dans le milieu professionnel comme la lecture de chèque de banque 2% d'~~erreurs~~ ne seraient pas acceptables.<br/><br/>		Dans le milieu professionnel comme la lecture de chèque de banque 2% d'erreur ne seraient pas acceptables.<br/><br/>
	[[Fichier:Accur_finale.png]]		[[Fichier:Accur_finale.png]]

El-huissier : /* Résultats */

2020-05-18T09:16:25Z

Résultats

← Version précédente		Version du 18 mai 2020 à 09:16
Ligne 131 :		Ligne 131 :
	=== Résultats ===		=== Résultats ===
	J'ai dit précédemment que seulement 2 époques de test allaient nous suffire, en effet si on regarde les résultats obtenus on peut voir que l'on a une précision de 98% ce qui est déjà très correct pour une utilisation comme la nôtre.<br/>		J'ai dit précédemment que seulement 2 époques de test allaient nous suffire, en effet si on regarde les résultats obtenus on peut voir que l'on a une précision de 98% ce qui est déjà très correct pour une utilisation comme la nôtre.<br/>
	Dans le milieu professionnel comme la lecture de chèque de banque 2% d'erreurs ne seraient pas ~~acceptable~~.<br/><br/>		Dans le milieu professionnel comme la lecture de chèque de banque 2% d'erreurs ne seraient pas acceptables.<br/><br/>
	[[Fichier:Accur_finale.png]]		[[Fichier:Accur_finale.png]]

El-huissier : /* Préliminaires */

2020-05-18T09:16:04Z

Préliminaires

← Version précédente		Version du 18 mai 2020 à 09:16
Ligne 79 :		Ligne 79 :
	=== Préliminaires ===		=== Préliminaires ===
	Il faut premièrement importer tout ce dont nous aurons besoin:		Il faut premièrement importer tout ce dont nous aurons besoin:
			<br/>
	<br/>		<br/>
	[[Fichier:import.png]]		[[Fichier:import.png]]

El-huissier : /* Descente de gradient */

2020-05-18T09:15:13Z

Descente de gradient

← Version précédente		Version du 18 mai 2020 à 09:15
Ligne 50 :		Ligne 50 :
	[[Fichier:graph_cost.png]]		[[Fichier:graph_cost.png]]
	<br/>		<br/>
	On comprend grâce à cet exemple de graphique de fonction de coût qu'en trouvant les valeurs de poids et biais adéquats(ici matérialisés par v1,v2,etc en fonction du nombre de dimension), on obtient le minimum de la fonction et donc on en conclut que les poids et biais sont les bons. <br/>		On comprend grâce à cet exemple de graphique de fonction de coût qu'en trouvant les valeurs de poids et biais adéquats (ici matérialisés par v1,v2,etc en fonction du nombre de dimension), on obtient le minimum de la fonction et donc on en conclut que les poids et biais sont les bons. <br/>
	D'où le terme de descente de gradient, on cherche à descendre la pente de la fonction pour trouver les bonnes valeurs.		D'où le terme de descente de gradient, on cherche à descendre la pente de la fonction pour trouver les bonnes valeurs.
	<br/>		<br/>

El-huissier : /* Descente de gradient */

2020-05-18T09:14:52Z

Descente de gradient

← Version précédente		Version du 18 mai 2020 à 09:14
Ligne 64 :		Ligne 64 :
	[[Fichier:form_gen_grad3.png]]		[[Fichier:form_gen_grad3.png]]
	<br/>		<br/>
	Dans l'équation Δv, on note la présence de η qui est le taux d'apprentissage, il permet de choisir à quel point on veut évoluer vite, cependant si la valeur est trop grande ou trop petite cela peut nuire à la rapidité d'apprentissage.		Dans l'équation Δv, on note la présence de η qui est le taux d'apprentissage, il permet de choisir à quel point on veut évoluer vite, cependant si la valeur de η est trop grande ou trop petite cela peut nuire à la rapidité d'apprentissage.

	=== Backpropagation ===		=== Backpropagation ===

El-huissier : /* Descente de gradient */

2020-05-18T09:14:27Z

Descente de gradient

← Version précédente		Version du 18 mai 2020 à 09:14
Ligne 50 :		Ligne 50 :
	[[Fichier:graph_cost.png]]		[[Fichier:graph_cost.png]]
	<br/>		<br/>
	On comprend grâce à cet exemple de graphique de fonction de coût qu'en trouvant les valeurs de poids et biais adéquats (ici matérialisés par v1,v2,etc en fonction du nombre de dimension), on obtient le minimum de la fonction et donc on en conclut que les poids et biais sont les bons. <br/>		On comprend grâce à cet exemple de graphique de fonction de coût qu'en trouvant les valeurs de poids et biais adéquats(ici matérialisés par v1,v2,etc en fonction du nombre de dimension), on obtient le minimum de la fonction et donc on en conclut que les poids et biais sont les bons. <br/>
	D'où le terme de descente de gradient, on cherche à descendre la pente de la fonction pour trouver les bonnes valeurs.		D'où le terme de descente de gradient, on cherche à descendre la pente de la fonction pour trouver les bonnes valeurs.
	<br/>		<br/>
Ligne 64 :		Ligne 64 :
	[[Fichier:form_gen_grad3.png]]		[[Fichier:form_gen_grad3.png]]
	<br/>		<br/>
	Dans l'équation Δv, on note la présence de η qui est le taux d'apprentissage, il permet de choisir à quel point on veut évoluer vite, cependant si la valeur ~~de η~~ est trop grande ou trop petite cela peut nuire à la rapidité d'apprentissage.		Dans l'équation Δv, on note la présence de η qui est le taux d'apprentissage, il permet de choisir à quel point on veut évoluer vite, cependant si la valeur est trop grande ou trop petite cela peut nuire à la rapidité d'apprentissage.

	=== Backpropagation ===		=== Backpropagation ===

El-huissier : /* Descente de gradient */

2020-05-18T09:14:21Z

Descente de gradient

← Version précédente		Version du 18 mai 2020 à 09:14
Ligne 50 :		Ligne 50 :
	[[Fichier:graph_cost.png]]		[[Fichier:graph_cost.png]]
	<br/>		<br/>
	On comprend grâce à cet exemple de graphique de fonction de coût qu'en trouvant les valeurs de poids et biais adéquats(ici matérialisés par v1,v2,etc en fonction du nombre de dimension), on obtient le minimum de la fonction et donc on en conclut que les poids et biais sont les bons. <br/>		On comprend grâce à cet exemple de graphique de fonction de coût qu'en trouvant les valeurs de poids et biais adéquats (ici matérialisés par v1,v2,etc en fonction du nombre de dimension), on obtient le minimum de la fonction et donc on en conclut que les poids et biais sont les bons. <br/>
	D'où le terme de descente de gradient, on cherche à descendre la pente de la fonction pour trouver les bonnes valeurs.		D'où le terme de descente de gradient, on cherche à descendre la pente de la fonction pour trouver les bonnes valeurs.
	<br/>		<br/>
Ligne 64 :		Ligne 64 :
	[[Fichier:form_gen_grad3.png]]		[[Fichier:form_gen_grad3.png]]
	<br/>		<br/>
	Dans l'équation Δv, on note la présence de η qui est le taux d'apprentissage, il permet de choisir à quel point on veut évoluer vite, cependant si la valeur est trop grande ou trop petite cela peut nuire à la rapidité d'apprentissage.		Dans l'équation Δv, on note la présence de η qui est le taux d'apprentissage, il permet de choisir à quel point on veut évoluer vite, cependant si la valeur de η est trop grande ou trop petite cela peut nuire à la rapidité d'apprentissage.

	=== Backpropagation ===		=== Backpropagation ===

El-huissier : /* Les neurones sigmoïdes */

2020-05-18T09:09:17Z

Les neurones sigmoïdes

← Version précédente		Version du 18 mai 2020 à 09:09
Ligne 24 :		Ligne 24 :
	[[Fichier:Sigmoid_function.png]]		[[Fichier:Sigmoid_function.png]]
	<br/>		<br/>
	Si z est positif et très grand alors σ(z) est environ égal à 1, si z est négatif et très petit alors σ(z) est environ ~~égale~~ à 0. Dans les extrêmes le neurone sigmoïde se comporte tout comme un perceptron. La différence est visible quand w⋅x+b est un nombre de taille raisonnable, la sortie n'étant plus 0 ou 1 mais un flottant compris entre 0 et 1. On peut voir cela sur la courbe de la fonction :		Si z est positif et très grand alors σ(z) est environ égal à 1, si z est négatif et très petit alors σ(z) est environ égal à 0. Dans les extrêmes le neurone sigmoïde se comporte tout comme un perceptron. La différence est visible quand w⋅x+b est un nombre de taille raisonnable, la sortie n'étant plus 0 ou 1 mais un flottant compris entre 0 et 1. On peut voir cela sur la courbe de la fonction :
	<br/>		<br/>
	[[Fichier:Coubre_sigmoid.png]]		[[Fichier:Coubre_sigmoid.png]]

Apprentissage automatique - Historique des versions

El-huissier : /* Résultats */

El-huissier : /* Réseau */

El-huissier : /* Résultats */

El-huissier : /* Résultats */

El-huissier : /* Préliminaires */

El-huissier : /* Descente de gradient */

El-huissier : /* Descente de gradient */

El-huissier : /* Descente de gradient */

El-huissier : /* Descente de gradient */

El-huissier : /* Les neurones sigmoïdes */

El-huissier : /* Résultats */

El-huissier : /* Réseau */

El-huissier : /* Résultats */

El-huissier : /* Résultats */

El-huissier : /* Préliminaires */

El-huissier : /* Descente de gradient */

El-huissier : /* Descente de gradient */

El-huissier : /* Descente de gradient */

El-huissier : /* Descente de gradient */

El-huissier : /* Les neurones sigmoïdes */