DÉCOUVRIR LE PROJET
Deep Leunrning
De Classique Jeux de données à Moderne CNN – Profond Apprentissage Expériences dans Vision et Classification
Profond apprentissage lab série explorant neuraux réseaux de simple perceptrons sur tabulaire données à convolutifs architectures sur CIFAR et MNIST image jeux de données. Le travail progresse de scikit-learn bases à Keras/TensorFlow implémentations, couvrant modèle conception, l'entraînement, l'évaluation, et comparaison de architectures sur de plus en plus complexe tâches.
PYTHON - NUMPY - PANDAS - SCIKIT-LEARN - TENSORFLOW / KERAS - MATPLOTLIB / SEABORN MNIST - LOGISTIQUE RÉGRESSION - MLP - CNN
Aperçu du Projet
Sur les données structurées, implémentation de la régression logistique et des perceptrons multicouches pour le jeu de données Iris, incluant l'encodage one-hot, des divisions entraînement-test 75/25, et une comparaison systématique de la précision d'entraînement par rapport à celle de test. Réimplémentation d'un perceptron similaire dans Keras, en contrôlant l'architecture (unités cachées, activations) et les choix de fonction de perte/optimiseur, et extension de cette conception à MNIST en aplatissant les images 28x28, en normalisant les pixels et en adaptant la couche de sortie à 10 classes de chiffres. Sur les images, j'ai construit un CNN personnalisé pour CIFAR-10 avec plusieurs blocs convolutifs-pooling et du dropout, obtenant de solides performances, puis j'ai implémenté un réseau inspiré de VGG16 plus un CNN plus efficace basé sur BatchNorm, en entraînant et évaluant tout en comparant la précision et le comportement de surajustement.
L'objectif de ce travail en deep learning était de construire une compréhension de bout en bout des réseaux de neurones en commençant par des classificateurs classiques (régression logistique, MLP peu profonds) et en passant progressivement à des architectures plus profondes adaptées aux images. L'accent a été mis sur l'implémentation et l'adaptation d'architectures telles que des CNN personnalisés et des réseaux de type VGG16 à CIFAR‑10/100 et MNIST, en analysant leur dynamique d'entraînement, leurs performances de généralisation et les compromis entre profondeur, capacité et efficacité.
