Activer le mode zen
Ressource au format PDF
Classification
Entraînez votre première IA en python - Tuto interactif de reconnaissance de chiffres manuscrits avec la librairie scikit-learn, aucune installation nécessaire
L'intelligence artificielle : introduction et applications en physique (2/3)
28/06/2021
Résumé
Vous êtes-vous déjà demandé s'il était possible de créer sa propre IA ? Et de l'utiliser dans ses recherches en physique ou dans l'industrie ? C'est ce que nous allons voir dans cette série de 3 articles : L'intelligence artificielle : introduction et applications en physique.
Dans ce deuxième article nous proposons un tutoriel pour prendre en main l'intelligence artificielle et l'entraîner à reconnaître des chiffres manuscrits.
Colin Bernet est chargé de recherche au CNRS, créateur du blog https://thedatafrog.com, et cofondateur de https://cynapps.ai.
Série de 3 articles : L'intelligence artificielle : introduction et applications en physique
Article précédent 1/3 : « L'intelligence artificielle, c'est quoi ? - Une explication pour les physiciens ».
1. Un exemple simple de classification d’images en python
De manière générale, un modèle de classification d’images fonctionne comme présenté sur la figure 1 :
 Source - © 2021 C. Bernet |
L'utilisateur fournit au modèle un échantillon d’images étiquetées par un humain, ici des chiffres manuscrits.
Chaque image est constituée de pixels, avec dans chaque pixel un niveau de gris, ou trois niveaux de couleurs. Ci-dessus, nos images sont en noir et blanc, et font 8x8 pixels. Chaque image est donc représentée par 64 valeurs. Ces images sont des points dans un espace à 64 dimensions.
Le modèle est une fonction de ces 64 valeurs, qui fournit une unique valeur en sortie, sa prédiction pour le chiffre représenté par l’image.
Ici, on fournit d’abord une image du chiffre 3 au modèle. Le modèle prédit que cette image correspond au chiffre 9, et donc se trompe. Le programme compare cette prédiction à l’étiquette correspondante (3), et quantifie l’erreur commise par le modèle. À partir de cette erreur, le programme adapte l’ensemble des paramètres du modèle pour se rapprocher de la prédiction désirée. Puis il passe aux images suivantes. À la longue, le modèle devient capable de reconnaître de nouveaux chiffres avec précision.
2. Tutoriel en python
Nous proposons un petit tutoriel dans lequel vous pourrez entraîner vous-même un réseau de neurones à reconnaître des chiffres manuscrits. Le tutoriel est sous Jupiter :
https://colab.research.google.com/drive/111UBhv3yeeCp2QUO5Hln4O4y6AygRQrK?usp=sharing
Sur cette page, exécutez les cellules de code dans l’ordre en pressant shift+entrée.
Les programmes sont aussi disponible en téléchargement en fin d'article (format .py et