Ce dépôt regroupe plusieurs travaux pratiques et projets réalisés dans le cadre d’un apprentissage du Deep Learning. Chaque dossier correspond à un laboratoire ou à une application spécifique, illustrant différentes techniques et algorithmes d’apprentissage profond.
-
Lab1/
K-Means-fashion-mnist PART1.ipynb: Implémentation du clustering K-Means sur le dataset Fashion-MNIST.fashion-mnist_test.csv: Fichier de test associé au projet.
-
Lab2/
TP2-Logistic-Regression.ipynb: Application de la régression logistique pour la classification d’images (chat vs non-chat).train_catvnoncat.h5,test_catvnoncat.h5: Jeux de données pour l’entraînement et le test.LogReg.png,my_image.jpg: Illustrations et exemples d’images utilisées.
-
Lab3/
Deep-NN-Application.ipynb: Implémentation d’un réseau de neurones profond (Deep Neural Network) pour la classification d’images.dnn_app_utils.py: Fonctions utilitaires pour la construction et l’entraînement du réseau.train_catvnoncat.h5,test_catvnoncat.h5: Jeux de données pour l’entraînement et le test.2layerNN.png,LlayerNN.png,imvector.png,imvector2.png,my_image.jpg: Illustrations et exemples d’images utilisées.
- Comprendre et implémenter des algorithmes de base du Deep Learning (K-Means, régression logistique, réseaux de neurones profonds).
- Manipuler des jeux de données d’images.
- Visualiser et interpréter les résultats des modèles.