Concevoir, Analyser et Comparer des Modèles d'Apprentissage Automatique

Projet

Durant l'UE intelligence artificielle, notre objectif était de construire à partir de zéro un Arbre de Décision et un Réseau de Neurones Artificiels. Fait par Attara Carl et Degeby Scott

Pérequis

- numpy
- pandas
- Python

Rendu

• Un seul rendu
• Fichiers .py dans une archive zip
• Compte-rendu au format PDF
• Formulaire d'auto-évaluation

Contenu

1. src

   1. Arbre de Décision

      • Fichier arbre_decision.py : Implémentation de l'arbre de décision.
      • Fichier test_arbre_decision.py : Tests sur l'arbre de décision.

   2. Réseau de Neurones Artificiels (RNA)

      • Fichier reseau_neurones.py : Implémentation du réseau de neurones.
      • Fichier test_reseau_neurones.py : Tests sur le réseau de neurones.

2. data

   • Contient le fichier synthetic.csv qui est le jeu de données génerer aléatoirement

3. predictions

   • Contier les fichier csv qui les données de prédictions et le y test correspondant.On a 3 prediction sur un arbre de decision et 6 pour le reseau de neurones (3 relun, 3tanh)

4. Compte-rendu

   • Fichier compte-rendu.md : Rapport décrivant le processus de conception, d'implémentation et d'évaluation des modèles, ainsi que les résultats obtenus et les reponses aux questions.

5. Formulaire d'Auto-évaluation

   • Fichier evaluation_form.pdf : Formulaire d'auto-évaluation rempli par l'équipe, fournissant une réflexion sur le processus de développement et les performances des modèles.

Analyse et Comparaison

Le rapport fournit une analyse détaillée des modèles d'Arbre de Décision et de Réseau de Neurones Artificiels développés. Il inclut également une comparaison des performances, des avantages et des inconvénients de chaque modèle. Les conclusions tirées de cette analyse fournissent un aperçu des forces et des limitations des approches utilisées.