Ajout du perceptron

01-fondamentaux/01-regression_lineaire.py

@@ -6,7 +6,7 @@ import matplotlib.pyplot as plt
 
 ###############################################################################
 # 01-regression_lineaire.py
-# @title: Apprentissage par régression linéaire
+# @title: Fondamentaux - Apprentissage par régression linéaire
 # @project: Mes scripts de ML
 # @lang: fr
 # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>

01-fondamentaux/02-descente_gradient.py

@@ -4,7 +4,7 @@ import matplotlib.pyplot as plt
 
 ###############################################################################
 # 02-descente_gradient.py
-# @title: Apprentissage par descente de gradient
+# @title: Fondamentaux - Apprentissage par descente de gradient
 # @project: Mes scripts de ML
 # @lang: fr
 # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>

01-fondamentaux/03-descente_gradient_stochastique.py

@@ -5,7 +5,7 @@ import matplotlib.pyplot as plt
 
 ###############################################################################
 # 03-descente_gradient_stochastique.py
-# @title: Apprentissage par descente de gradient stochastique
+# @title: Fondamentaux - Apprentissage par descente de gradient stochastique
 # @project: Mes scripts de ML
 # @lang: fr
 # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>

01-fondamentaux/04-descente_gradient_mini-lots.py

@@ -4,7 +4,7 @@ import matplotlib.pyplot as plt
 
 ###############################################################################
 # 04-descente_gradient_mini-lots.py
-# @title: Apprentissage par descente de gradient par mini-lots
+# @title: Fondamentaux - Apprentissage par descente de gradient par mini-lots
 # @project: Mes scripts de ML
 # @lang: fr
 # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>

01-fondamentaux/05-regression_polynomiale.py

@@ -10,7 +10,7 @@ import matplotlib.pyplot as plt
 
 ###############################################################################
 # 05-regression_polynomiale.py
-# @title: Apprentissage par régression polynomiale
+# @title: Fondamentaux - Apprentissage par régression polynomiale
 # @project: Mes scripts de ML
 # @lang: fr
 # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>

01-fondamentaux/06-regression_logistique.py

@@ -8,7 +8,7 @@ from matplotlib.colors import ListedColormap
 
 ###############################################################################
 # 06-regression_logistique.py
-# @title: Apprentissage par régression logistique
+# @title: Fondamentaux - Apprentissage par régression logistique
 # @project: Mes scripts de ML
 # @lang: fr
 # @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
@@ -102,8 +102,9 @@ frontiere_decision_1d = x2_new[y1_proba_1d[:, 1] >= 0.5][0][0]
 # Analyse 2D
 y1_predict_2d=model_2d.predict(X_new) # Prédiction
 y1_proba_2d = model_2d.predict_proba(X_new) # Probabilité
-left_right = np.array([2.9, 7])
-frontiere_decision_2d = -(model_2d.coef_[0][0] * left_right + model_2d.intercept_[0]) / model_2d.coef_[0][1]
+model_2d_a = -model_2d.coef_[0][0] / model_2d.coef_[0][1] # coef directeur de la frontière de décision
+model_2d_b = -model_2d.intercept_ / model_2d.coef_[0][1] # ordonée à l'origine de la frontière de décision
+frontiere_decision_2d = model_2d_a * x1_new + model_2d_b
 y1_proba_2d_contour = y1_proba_2d[:, 1].reshape(x1_new_mg.shape)
 
 # Analyse multi-classes (Softmax)
@@ -126,10 +127,10 @@ donnees1_ax.set_xlabel(r'$x_2$'+" - Largeur de pétale")
 donnees1_ax.set_ylabel(r'$y$'+" - Probabilité d'être Iris virginica")
 donnees1_ax.legend(loc="center left")
 
-# Plot x1,y1 (largeur de pétale, probabilité d'être Iris virginica)
+# Plot x1,x2 et y1 (longeur de pétale, largeur de pétale et probabilité d'être Iris virginica)
 donnees2_ax.set_title("Binomiale - Frontière de décision à 2 entrées")
 donnees2_ax.set(xlim=(0, 7.5), ylim=(0, 3.5))
-donnees2_ax.plot(left_right, frontiere_decision_2d, "k--")
+donnees2_ax.plot(x1_new, frontiere_decision_2d, "k--")
 donnees2_ax.set_xlabel(r'$x_1$'+" - Longueur de pétale")
 donnees2_ax.set_ylabel(r'$x_2$'+" - Largeur de pétale")
 donnees2_ax.legend(loc="upper left")
@@ -137,7 +138,7 @@ donnees2_ax.legend(loc="upper left")
 donnees2_contour = donnees2_ax.contour(x1_new_mg, x2_new_mg, y1_proba_2d_contour, cmap=plt.cm.brg) # Contour pour la classe Iris versicolor (type 1)
 donnees2_ax.clabel(donnees2_contour, inline=1, fontsize=10)
 
-# Plot x1,x2 et y1 (largeur de pétale, longeur de pétale et type de Iris (format de la marque))
+# Plot x1,x2 et y (longeur de pétale, largeur de pétale et type de Iris (format de la marque))
 donnees3_ax.set_title("Multinomiale (régression Softmax)")
 donnees3_ax.set(xlim=(0, 7.5), ylim=(0, 3.5))
 donnees3_ax.set_xlabel(r'$x_1$'+" - Longueur de pétale")

02-intro_rna/01-perceptron.py

@@ -0,0 +1,169 @@
+import time
+import numpy as np
+import sklearn
+from sklearn.linear_model import Perceptron
+from sklearn import datasets
+import matplotlib.pyplot as plt
+from matplotlib.colors import ListedColormap
+
+###############################################################################
+# 01-perceptron.py
+# @title: Introduction aux réseaux de neurones - Perceptron
+# @project: Mes scripts de ML
+# @lang: frg
+# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
+# @copyright: Copyright (C) 2023 Philippe Roy
+# @license: GNU GPL
+###############################################################################
+
+###
+# Commandes NumPy :
+# - np.array : créer un tableau à partir d'une liste de listes
+# - np.c_ : concatène les colonnes des tableaux
+# - np.ones : créer un tableau de 1
+# - np.linalg.inv : inversion de matrice
+# - .T : transposé de matrice
+# - .dot : produit de matrice
+###
+
+###
+# Commandes Scikit-Learn :
+# - sklearn.linear_model.LinearRegression() : créer un modèle de régression linéaire (méthode des moindres carrés)
+# - .fit : entrainement du modèle
+# - .predict : prédiction du modèle
+###
+
+###############################################################################
+# Initialisation
+###############################################################################
+
+# Init du temps
+t_debut = time.time()
+
+# Init des plots
+fig = plt.figure(figsize=(15, 5))
+fig.suptitle("Classificateur par perceptron")
+donnees_ax = fig.add_subplot(2,3,(1,4)) # Observations : x1 et cibles : y1
+# f_activ_ax = fig.add_subplot(2,3,2) 
+# df_activ_ax = fig.add_subplot(2,3,5)
+
+###############################################################################
+# Observations
+###############################################################################
+
+# Observations d'apprentisage 
+iris = sklearn.datasets.load_iris() # Jeu de données Iris
+x1 = iris['data'][:, 2].reshape(-1, 1)  # Longueur de pétale
+x2 = iris['data'][:, 3].reshape(-1, 1)  # Largeur de pétale
+X = iris['data'][:, (2, 3)] # Matrice de données
+y1 = (iris["target"] == 2).astype(np.int32)  # Si Iris virginica -> 1 sinon -> 0
+y = (iris["target"]) # Type d'Iris
+
+# Plot x1,x2 et y1 (longeur de pétale, largeur de pétale et probabilité d'être Iris virginica (format de la marque))
+donnees_ax.plot(x1[y1==1], x2[y1==1], "g^" , label="Iris virginica")
+donnees_ax.plot(x1[y1==0], x2[y1==0], "rs", label="Iris non-virginica")
+
+# Nouvelles observations
+x1_new=np.linspace(0, 8, 1000).reshape(-1, 1)
+x2_new=np.linspace(0, 3.5, 1000).reshape(-1, 1)
+x1_new_mg, x2_new_mg = np.meshgrid(x1_new, x2_new)
+X_new = np.c_[x1_new_mg.ravel(), x2_new_mg.ravel()]
+
+###############################################################################
+# Phase d'apprentissage
+###############################################################################
+
+# model= sklearn.linear_model.Perceptron(max_iter=1000, tol=1e-3, random_state=42)
+model = sklearn.linear_model.Perceptron() # Modèle régression logistique
+model.fit(X, y1) # Entrainement
+
+###############################################################################
+# Phase d'inférence
+###############################################################################
+
+y_predict=model.predict(X_new) # Prédiction
+
+# Frontière de décision
+model_a = -model.coef_[0][0] / model.coef_[0][1]
+model_b = -model.intercept_ / model.coef_[0][1]
+donnees_ax.plot(x1_new, model_a * x1_new + model_b, "k--")
+
+# Carte
+y_predict_map = y_predict.reshape(x1_new_mg.shape)
+custom_cmap = ListedColormap(['#fafab0','#9898ff','#a0faa0'])
+donnees_ax.contourf(x1_new_mg, x2_new_mg, y_predict_map, cmap=custom_cmap)
+
+###############################################################################
+# Résultats
+###############################################################################
+
+# Plot x1,x2 et y1 (longeur de pétale, largeur de pétale et probabilité d'être Iris virginica)
+donnees_ax.set_title("Perceptron")
+donnees_ax.set(xlim=(0, 7.5), ylim=(0, 3.5))
+donnees_ax.set_xlabel(r'$x_1$'+" - Longueur de pétale")
+donnees_ax.set_ylabel(r'$x_2$'+" - Largeur de pétale")
+donnees_ax.legend(loc="upper left")
+
+###############################################################################
+# Fonctions d'activation
+###############################################################################
+
+def sigmoid(_x):
+    return 1 / (1 + np.exp(-_x))
+
+def echelon(_x): # Heaviside
+    return (_x >= 0).astype(_x.dtype)
+
+def relu(_x):
+    return np.maximum(0, _x)
+
+def derivation(f, _x, eps=0.000001):
+    return (f(_x + eps) - f(_x))/eps
+
+# Fonctions d'activation
+f_activ_ax = fig.add_subplot(2,3,2) 
+f_activ_ax.set_title("Fonctions d'activation")
+f_activ_x = np.linspace(-5, 5, 200)
+f_activ_ax.set(xlim=(-5,5), ylim=(0, 1.25))
+f_activ_ax.plot(f_activ_x, sigmoid(f_activ_x), "g-", label="Sigmoïde")
+f_activ_ax.plot(f_activ_x, echelon(f_activ_x), "b-", label="Échelon")
+# f_activ_ax.plot(f_activ_x, relu(f_activ_x), "m-", label="ReLU")
+f_activ_ax.legend()
+
+# Dérivée
+df_activ_ax = fig.add_subplot(2,3,5)
+df_activ_ax.plot(f_activ_x, derivation(sigmoid, f_activ_x), "g-", label="f'(Sigmoïde)")
+df_activ_ax.plot(f_activ_x, derivation(echelon, f_activ_x), "b-", label="f'(Échelon)")
+# df_activ_ax.plot(f_activ_x, derivation(relu, f_activ_x), "m-", label="f'(ReLU)")
+df_activ_ax.legend()
+
+###############################################################################
+# Perceptron multi-couches (pmc)
+###############################################################################
+
+def pmc_xor(x1, x2, activation=echelon):
+    return activation(-activation(x1 + x2 - 1.5) + activation(x1 + x2 - 0.5) - 0.5)
+
+x1_mg, x2_mg = np.meshgrid(np.linspace(-0.2, 1.2, 100), np.linspace(-0.2, 1.2, 100))
+
+z1_pmc_xor = pmc_xor(x1_mg, x2_mg, activation=echelon)
+z2_pmc_xor = pmc_xor(x1_mg, x2_mg, activation=sigmoid)
+
+pmc_xor_echelon_ax = fig.add_subplot(2,3,3)
+pmc_xor_echelon_ax.set_title("Xor (perceptron multi-couches) - Activation par Échelon")
+pmc_xor_echelon_ax.contourf(x1_mg, x2_mg, z1_pmc_xor)
+pmc_xor_echelon_ax.plot([0, 1], [0, 1], "rs", markersize=15)
+pmc_xor_echelon_ax.plot([0, 1], [1, 0], "g^", markersize=15)
+pmc_xor_echelon_ax.grid(True)
+
+pmc_xor_sigmoid_ax = fig.add_subplot(2,3,6)
+# pmc_xor_sigmoid_ax.set_title("Xor (perceptron multi-couches) - Activation par Sigmoïde)")
+pmc_xor_sigmoid_ax.contourf(x1_mg, x2_mg, z2_pmc_xor)
+pmc_xor_sigmoid_ax.plot([0, 1], [0, 1], "rs", markersize=15)
+pmc_xor_sigmoid_ax.plot([0, 1], [1, 0], "g^", markersize=15)
+pmc_xor_sigmoid_ax.grid(True)
+pmc_xor_sigmoid_ax.set_xlabel("Xor (perceptron multi-couches) - Activation par Sigmoïde", fontsize=12)
+
+
+plt.show()
+

02-intro_rna/README.md

@@ -1,29 +1,5 @@
 # Mes scripts de ML - Introduction aux réseaux de neurones
 
-<!-- ### Apprentissage par régression linéaire -->
-
-<!-- ![capture d'écran](img/01-regression_lineaire.png) -->
-
-<!-- ### Apprentissage par descente de gradient -->
-
-<!-- ![capture d'écran](img/02-descente_gradient.png) -->
-
-<!-- ### Apprentissage par descente de gradient stochastique -->
-
-<!-- ![capture d'écran](img/03-descente_gradient_stochastique.png) -->
-
-<!-- ### Apprentissage par descente de gradient par mini-lots -->
-
-<!-- ![capture d'écran](img/04-descente_gradient_mini-lots.png) -->
-
-<!-- ### Apprentissage par régression polynomiale -->
-
-<!-- ![capture d'écran](img/05-regression_polynomiale.png) -->
-
-<!-- ### Classificateur par régression logistique -->
-
-<!-- ![capture d'écran](img/06-regression_logistique.png) -->
-
-
-
+### Perceptron
 
+![capture d'écran](img/01-perceptron.png)