import numpy as np
import matplotlib.pyplot as plt

###############################################################################
# 02-descente_gradient.py
# @title: Apprentissage par descente de gradient
# @project: Mes scripts de ML
# @lang: fr
# @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
###

# Observations d'apprentisage
m = 100 # Nombre d'observations
x = 2*np.random.rand(m, 1) # Liste des observations x1
y = 4 + 3*x + np.random.rand(m, 1) # Liste des cibles y
X = np.c_[np.ones((m, 1)), x] # Matrice des observations, avec x0=1
plt.plot(x, y, 'b.')

# Nouvelles observations
x_new=np.array([[0], [2]])
X_new = np.c_[np.ones((2, 1)), x_new] # Matrice des observations, avec x0=1

# Phase d'apprentissage par descente de gradient
eta = 0.001 # Taux d'appentissage (valeur par défaut : 0.1)
n = 10000 # Nombre d'itérations (valeur par défaut : 1000)
theta= np.random.randn(2,1) # Initialisation aléatoire

for i in range(n):

    # Calcul du pas
    gradients = 2/m * X.T.dot(X.dot(theta) - y)
    theta = theta - eta *  gradients

    # Prédiction du pas
    y_predict=X_new.dot(theta)
    plt.plot(x_new, y_predict, 'y-')

# Phase d'inférence (dernier pas)
plt.plot(x_new, y_predict, 'r-')
plt.show()