diff --git a/03-vision/01-digit_simple.py b/03-vision/01-digit_simple.py
new file mode 100644
index 0000000..e0a2049
--- /dev/null
+++ b/03-vision/01-digit_simple.py
@@ -0,0 +1,146 @@
+import os, time
+import numpy as np
+import matplotlib.pyplot as plt
+
+import tensorflow as tf
+from tensorflow import keras
+
+###############################################################################
+# 01-digit_simple.py
+# @title: Vision par ordinateur - Reconnaissance de digit - Réseaux de neurones simples
+# @project: Mes scripts de ML
+# @lang: fr
+# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
+# @copyright: Copyright (C) 2023 Philippe Roy
+# @license: GNU GPL
+###############################################################################
+
+###
+# Installation : 
+# - pip3 install tensorflow
+# - pip3 install keras
+# - pip3 install pydot
+# - pip3 install graphviz
+###
+
+###
+# Commandes NumPy :
+# - np.array : créer un tableau à partir d'une liste de listes
+# - np.c_ : concatène les colonnes des tableaux
+# - np.linspace : créer un tableau 1D de la valeur de début à la valeur de fin avec n valeurs
+# - np.meshgrid : créer un tableau 2D avec l'ensemble des combinaisons allant des deux valeurs de début aux deux valeurs de fin
+# - .reshape : reformater la tableau avec le nombre de lignes et le nombre de colonnes
+###
+
+###
+# Commandes Keras :
+# - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
+# - keras.backend.clear_session() : reset de la session
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
+# - keras.utils.plot_model : créer le diagramme d'un modèle
+###
+
+###############################################################################
+# Initialisation
+###############################################################################
+
+# Init du temps
+t_debut = time.time()
+
+# Init des plots
+fig = plt.figure(layout="constrained", figsize=(15, 5))
+fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de neurones simples")
+subfigs = fig.subfigures(1, 3)
+model_ax = subfigs[0].subplots(1, 1)
+apts_ax = subfigs[1].subplots(1, 1)
+img_ax = subfigs[2].subplots(8, 10)
+
+###############################################################################
+# Observations
+###############################################################################
+
+# Observations d'apprentissage, de validation et de test
+chiffre = keras.datasets.mnist # Jeu de données MNIST (digit)
+(X, y), (X_test, y_test) = chiffre.load_data()
+X_train, y_train  = X[5000:]/255.0 , y[5000:]
+X_valid, y_valid = X[:5000]/255.0 , y[:5000]
+classes = [0,1,2,3,4,5,6,7,8,9]
+
+###############################################################################
+# Phase d'apprentissage
+###############################################################################
+
+n = 2 # Nombre d'itérations (valeur par défaut : 30 , hyperparamètre)
+eta = 0.01 # Taux d'appentissage (valeur par défaut dans Keras : 0.01, hyperparamètre)
+lot=32 # Taille de lot (valeur par défaut dans Keras: 32 , hyperparamètre)
+
+perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
+#perte="mse" # Type de perte (hyperparamètre)
+
+keras.backend.clear_session()
+model = keras.models.Sequential() # Modèle de reseau de neurones
+model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche d'entrée : mise à plat des données d'entrée -> 1 node / pixel soit 784 (28x28)
+model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
+model.add(keras.layers.Dense(100, activation="relu")) # Couche 2 : 100 nodes -> ajout
+model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
+
+optimiseur=keras.optimizers.SGD(learning_rate= eta)
+model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
+
+apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
+
+###############################################################################
+# Phase d'inférence
+###############################################################################
+
+print ("\n")
+print ("Test sur les 80 images différentes sur un jeu de 10 000 images.")
+
+idx = np.random.randint(X_test.shape[0]-80) # Index aléatoire
+X_new = X_test[idx:idx+80]
+y_new = np.argmax(model.predict(X_new), axis=-1)
+y_new_test= y_test[idx:idx+80]
+
+print ("\n")
+
+###############################################################################
+# Résultats
+###############################################################################
+
+# Modèle
+model_ax.set_title("Modèle")
+keras.utils.plot_model(model, "model.png", show_shapes=True)
+model_img=plt.imread("model.png")
+model_ax.imshow(model_img)
+model_ax.set_axis_off()
+os.remove("model.png") # Supression du fichier temporaire
+
+# Courbes d'apprentissage
+apts_ax.set_title("Courbes d'apprentissage")
+apts_ax.plot(apts.epoch, apts.history['loss'], 'b-', label="Perte - entrainement")
+apts_ax.plot(apts.epoch, apts.history['val_loss'], 'r-', label="Perte - validation")
+apts_ax.plot(apts.epoch, apts.history['accuracy'], 'b:', label="Précision - entrainement")
+apts_ax.plot(apts.epoch, apts.history['val_accuracy'], 'r:', label="Précision - validation")
+apts_ax.set(ylim=(0, 1))
+apts_ax.set_xlabel("Époque")
+apts_ax.legend()
+
+# Prédictions
+for i in range (10):
+    for j in range (8):
+        img_ax[j][i].imshow(X_new[i*2+j], cmap="binary", interpolation="nearest")
+        img_ax[j][i].set_axis_off()
+        if y_new[i*2+j] == y_new_test[i*2+j]:
+            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10)
+        else:
+            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10, color="red")
+
+plt.show()
+
+# Performances
+print ("Temps total  : "+str(time.time()-t_debut))
diff --git a/03-vision/02-digit_cnn.py b/03-vision/02-digit_cnn.py
new file mode 100644
index 0000000..1bdb85c
--- /dev/null
+++ b/03-vision/02-digit_cnn.py
@@ -0,0 +1,163 @@
+import os, time
+import numpy as np
+import matplotlib.pyplot as plt
+
+import tensorflow as tf
+from tensorflow import keras
+
+###############################################################################
+# 02-keras-classificateur_img.py
+# @title: Vision par ordinateur -Reconnaissance de digit - Réseaux de neurones convolutifs
+# @project: Mes scripts de ML
+# @lang: fr
+# @authors: Philippe Roy <philippe.roy@ac-grenoble.fr>
+# @copyright: Copyright (C) 2023 Philippe Roy
+# @license: GNU GPL
+###############################################################################
+
+###
+# Installation : 
+# - pip3 install tensorflow
+# - pip3 install keras
+# - pip3 install pydot
+# - pip3 install graphviz
+###
+
+###
+# Commandes NumPy :
+# - np.array : créer un tableau à partir d'une liste de listes
+# - np.c_ : concatène les colonnes des tableaux
+# - np.linspace : créer un tableau 1D de la valeur de début à la valeur de fin avec n valeurs
+# - np.meshgrid : créer un tableau 2D avec l'ensemble des combinaisons allant des deux valeurs de début aux deux valeurs de fin
+# - .reshape : reformater la tableau avec le nombre de lignes et le nombre de colonnes
+###
+
+###
+# Commandes Keras :
+# - keras.models.Sequential() : créer un modèle où les couches de neurones sont reliées séquentiellement (modèle simple)
+# - model.add : ajout d'une couche
+# - keras.layers.Flatten : couche de formatage de mise à plat
+# - keras.layers.Dense : couche de neurones
+# - keras.backend.clear_session() : reset de la session
+# - model.compile : compilation du modèle
+# - model.fit : entrainement du modèle
+# - model.predict : prédiction du modèle
+# - keras.utils.plot_model : créer le diagramme d'un modèle
+###
+
+###############################################################################
+# Initialisation
+###############################################################################
+
+# Init de Tensorflow + Keras
+
+# tf.__version__
+# keras.__version__
+# tf.config.list_physical_devices('GPU')
+
+# Init du temps
+t_debut = time.time()
+
+# Init des plots
+fig = plt.figure(layout="constrained", figsize=(15, 5))
+fig.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
+subfigs = fig.subfigures(1, 3)
+model_ax = subfigs[0].subplots(1, 1)
+apts_ax = subfigs[1].subplots(1, 1)
+img_ax = subfigs[2].subplots(4, 8)
+
+###############################################################################
+# Observations
+###############################################################################
+
+# Observations d'apprentissage, de validation et de test
+vetement = keras.datasets.fashion_mnist # Jeu de données Fashion MNIST 
+(X, y), (X_test, y_test) = vetement.load_data()
+X_train, y_train  = X[5000:]/255.0 , y[5000:]
+X_valid, y_valid = X[:5000]/255.0 , y[:5000]
+classes = ["Tshirt", "Pantalon", "Pull", "Robe", "Manteau", "Sandale", "Chemise", "Basket", "Sac", "Bottine"]
+
+###############################################################################
+# Phase d'apprentissage
+###############################################################################
+
+n = 30 # Nombre d'itérations (valeur par défaut : 30 , hyperparamètre)
+eta = 0.01 # Taux d'appentissage (valeur par défaut dans Keras : 0.01, hyperparamètre)
+lot=32 # Taille de lot (valeur par défaut dans Keras: 32 , hyperparamètre)
+perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
+#perte="mse" # Type de perte (hyperparamètre)
+
+keras.backend.clear_session()
+# np.random.seed(42)
+# tf.random.set_seed(42)
+
+model = keras.models.Sequential() # Modèle de reseau de neurones
+model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche d'entrée : mise à plat des données d'entrée -> 1 node / pixel soit 784 (28x28)
+model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
+# model.add(keras.layers.Dense(300, activation="relu")) # Couche 2 : 300 nodes -> passage de 100 à 300
+# model.add(keras.layers.Dense(300, activation="relu")) # Couche 3 : 300 nodes -> ajout
+model.add(keras.layers.Dense(100, activation="relu")) # Couche 4 : 100 nodes -> ajout
+model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
+
+# model.compile(loss="sparse_categorical_crossentropy", optimizer="sgd", metrics=["accuracy"])
+optimiseur=keras.optimizers.SGD(learning_rate= eta)
+model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
+
+apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
+
+###############################################################################
+# Phase d'inférence
+###############################################################################
+
+# FIXME : prendre 8 images aléatoirement
+# X_new=[]
+# y_new=[]
+# for i in range(8):
+#     idx = np.random.randint(X_test.shape[0]) # Index aléatoire
+#     X_new.append(X_test[idx:idx+1]/255.0)
+#     y_new.append(y_test[idx:idx+1])
+
+idx = np.random.randint(X_test.shape[0]-32) # Index aléatoire
+print ("\n")
+print ("Test sur les images de "+ str(idx) + " à "+ str(idx+32) + " sur un jeu de 10 000 images.")
+X_new = X_test[idx:idx+32]
+y_new = np.argmax(model.predict(X_new), axis=-1)
+y_new_test= y_test[idx:idx+32]
+print ("\n")
+
+###############################################################################
+# Résultats
+###############################################################################
+
+# Modèle
+model_ax.set_title("Modèle")
+keras.utils.plot_model(model, "model.png", show_shapes=True)
+model_img=plt.imread("model.png")
+model_ax.imshow(model_img)
+model_ax.set_axis_off()
+os.remove("model.png") # Supression du fichier temporaire
+
+# Courbes d'apprentissage
+apts_ax.set_title("Courbes d'apprentissage")
+apts_ax.plot(apts.epoch, apts.history['loss'], 'b-', label="Perte - entrainement")
+apts_ax.plot(apts.epoch, apts.history['val_loss'], 'r-', label="Perte - validation")
+apts_ax.plot(apts.epoch, apts.history['accuracy'], 'b:', label="Précision - entrainement")
+apts_ax.plot(apts.epoch, apts.history['val_accuracy'], 'r:', label="Précision - validation")
+apts_ax.set(ylim=(0, 1))
+apts_ax.set_xlabel("Époque")
+apts_ax.legend()
+
+# Prédictions
+for i in range (8):
+    for j in range (4):
+        img_ax[j][i].imshow(X_new[i*2+j], cmap="binary", interpolation="nearest")
+        img_ax[j][i].set_axis_off()
+        if y_new[i*2+j] == y_new_test[i*2+j]:
+            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10)
+        else:
+            img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10, color="red")
+
+plt.show()
+
+# Performances
+print ("Temps total  : "+str(time.time()-t_debut))
diff --git a/03-vision/README.md b/03-vision/README.md
new file mode 100644
index 0000000..009eacf
--- /dev/null
+++ b/03-vision/README.md
@@ -0,0 +1,9 @@
+# Mes scripts de ML - Vision par ordinateur
+
+### Reconnaissance de digits par réseaux de neurones simples (RNA)
+
+![capture d'écran](img/01-digit_simple.png)
+	
+### Reconnaissance de digits par réseaux de neurones convolutifs (CNN)
+
+![capture d'écran](img/02-digit_cnn.png)