Transparents de cours
Sur la page de Patrick Gallinari
TP 1 : Introduction à l’apprentissage et à IPython (Numpy/Pandas/Matplotlib et POO)
Pour télécharger:
wget [lien du fichier]
Pour changer le nom d’un fichier:
mv [ancien nom] [nouveau nom]
Pour dé-zipper:
gzip -d [nom machin.gz]
Pour lancer IPython:
ipython notebook --pylab=inline
TP 2 : Programmation du Perceptron et du Kernel Perceptron
Mise à jour Kernel Trick
def kernel(x):
n = x.shape[0]
return np.hstack((x, np.ones((n, 1))))
trainset = createGaussianDataset([0, 0], [[100, 0], [0, 100]],
[100, 100], [[100, 0], [0, 100]],
400)
trainset.x = kernel(trainset.x)
perceptron = Perceptron(0.0001, 10)
perceptron.train(trainset)
def plot_frontiere2(x, f, kernel, step=20):
mmax = x.max(0)
mmin = x.min(0)
x1grid , x2grid = np.meshgrid(np.linspace(mmin[0], mmax[0], step),
np.linspace(mmin[1], mmax[1], step))
grid = np.hstack((x1grid.reshape(x1grid.size, 1),
x2grid.reshape(x2grid.size, 1)))
# calcul de la prediction pour chaque point de la grille
res = np.array([f(kernel(np.array([grid[i,:]]))[0])[0] for i in range(len(grid))])
res = res.reshape(x1grid.shape)
# tracer des frontieres
plt.contourf(x1grid, x2grid, res,
colors=["orange","gray"], levels=[-1000, 0, 1000], linewidth=2)
plot_frontiere2(trainset.x, perceptron.predict, kernel)
plot2DSet(trainset)
TP 3 : Deep Learning
- Petit guide pour implémenter des réseaux de neurones (profonds) : petit-guide-pratique
- Structure de code pour l’implémentation du deep learning: AS-2014-TP3
- Implémentation d’un auto-encodeur AS_MNIST.ipynb
Rendu Deep Learning
Description du Rendu: projet_deep_learning