Exercices

Classification d’images

Nous abordons ici un problème de classification: «Comment reconnaitre une race de chien?». On utilise des données d’apprentissage de stanford.

• Trouver une image de chien dont vous connaissez la race et l’enregistrer sur votre ordinateur.
• Ouvrir la page https://teachablemachine.withgoogle.com/train/image.
• Importer à partir du dossier du TP des images de cette race de chien et renommer Class 1 avec le nom de la race(Chihuahua par exemple).
• Recommencer avec deux autres races de chiens dans Class 2 et Class 3.
• Entrainer le modèle et attendre…
• Une fois le modèle entraîné, sélectionnez votre image de chien à reconnaitre dans Aperçu et vérifier que votre modèle sait la reconnaitre.
• Trouver d’autres images sur Wikipédia pour vérifier qu’«il sait» les reconnaitre(Peut-on vraiment dire qu’un algorithme sait?). Commenter les résultats obtenus.

Informations sur les données

Source des données d’entraînement du modèle: http://vision.stanford.edu/aditya86/ImageNetDogs/

Il y a 120 races de chiens dont voici les traductions(par AI) et le nombre de photo.

Dossier	Race	Nombre de photos
French_bulldog	Bulldog français	159
Shetland_sheepdog	Berger des Shetland	157
curly-coated_retriever	retriever à poil bouclé	151
basenji	basenji	209
flat-coated_retriever	retriever à poil plat	152
beagle	beagle	195
Rhodesian_ridgeback	Rhodesian Ridgeback	172
giant_schnauzer	schnauzer géant	157
otterhound	lévrier	151
pug	carlin	200
Pekinese	pékinois	149
Brabancon_griffon	Griffon Brabançon	153
Irish_terrier	Terrier irlandais	169
Irish_wolfhound	Lévrier irlandais	218
bull_mastiff	dogue de taureau	156
schipperke	schipperke	154
Labrador_retriever	Labrador retriever	171
Gordon_setter	Passeur Gordon	153
kelpie	varech	153
Scotch_terrier	Terrier écossais	158
Sussex_spaniel	Épagneul du Sussex	151
Lakeland_terrier	Terrier des lacs	197
wire-haired_fox_terrier	fox-terrier à poil dur	157
Norfolk_terrier	Terrier de Norfolk	172
Great_Pyrenees	Grandes Pyrénées	213
Walker_hound	Chien marcheur	153
Bedlington_terrier	Terrier de Bedlington	182
English_springer	springer anglais	159
whippet	fouetter	187
Eskimo_dog	Chien esquimau	150
Dandie_Dinmont	Dandie Dinmont	180
malinois	malinois	150
Shih-Tzu	Shih Tzu	214
German_short-haired_pointer	Braque allemand à poil court	152
vizsla	à savoir	154
EntleBucher	EntleBucher	202
toy_terrier	terrier jouet	172
Airedale	airedale	202
Boston_bull	Taureau de Boston	182
golden_retriever	Golden retriever	150
Chihuahua	Chihuahua	152
West_Highland_white_terrier	Terrier blanc des West Highlands	169
Pembroke	Pembroke	181
Japanese_spaniel	Épagneul japonais	185
miniature_schnauzer	schnauzer nain	154
soft-coated_wheaten_terrier	terrier de froment à poil doux	156
silky_terrier	terrier soyeux	183
Blenheim_spaniel	Épagneul de Blenheim	188
Greater_Swiss_Mountain_dog	Grand Bouvier Suisse	168
Newfoundland	Terre-Neuve	195
basset	basset	175
Saluki	Sloughi	200
Australian_terrier	Terrier australien	196
English_setter	Setter anglais	161
Tibetan_terrier	Terrier tibétain	206
Old_English_sheepdog	Vieux chien de berger anglais	169
Leonberg	Léonberg	210
cairn	cairn	197
Lhasa	Lhassa	186
Great_Dane	Grand danois	156
collie	colley	153
Saint_Bernard	Saint-Bernard	170
Cardigan	Cardigan	155
Maltese_dog	chien maltais	252
standard_poodle	caniche royal	159
briard	Briard	152
Sealyham_terrier	Terrier de Sealyham	202
dhole	dhole	150
Weimaraner	Braque de Weimar	160
Italian_greyhound	Lévrier italien	182
cocker_spaniel	Cocker	159
Doberman	Dobermann	150
borzoi	barzoï	151
English_foxhound	Foxhound anglais	157
Brittany_spaniel	Épagneul breton	152
miniature_pinscher	pinscher nain	184
Ibizan_hound	Chien d’Ibiza	188
Chesapeake_Bay_retriever	Retriever de la baie de Chesapeake	167
bluetick	tique bleue	171
Yorkshire_terrier	Yorkshire Terrier	164
toy_poodle	caniche jouet	151
malamute	malamute	178
American_Staffordshire_terrier	Terrier américain du Staffordshire	164
Bouvier_des_Flandres	Bouvier des Flandres	150
papillon	papillon	196
affenpinscher	affenpinscher	150
Border_terrier	Terrier frontalier	172
Irish_setter	Setter irlandais	155
black-and-tan_coonhound	coonhound noir et feu	159
German_shepherd	Berger allemand	152
clumber	clumber	150
komondor	komondor	154
groenendael	groenendael	150
African_hunting_dog	chien de chasse africain	169
miniature_poodle	caniche miniature	155
dingo	dingo	156
Siberian_husky	Husky sibérien	192
keeshond	keeshond	158
Border_collie	Border collie	150
Norwegian_elkhound	Lévrier norvégien	196
Norwich_terrier	Terrier de Norwich	185
Scottish_deerhound	lévrier écossais	232
kuvasz	kuvasz	150
chow	bouffe	196
redbone	redbone	148
Tibetan_mastiff	Dogue tibétain	152
Pomeranian	poméranien	219
Irish_water_spaniel	Épagneul d’eau irlandais	150
standard_schnauzer	schnauzer standard	155
Afghan_hound	Lévrier afghan	239
Mexican_hairless	Mexicain sans poils	155
Welsh_springer_spaniel	Épagneul springer gallois	150
boxer	boxeur	151
Staffordshire_bullterrier	Bullterrier du Staffordshire	155
Samoyed	Samoyède	218
Bernese_mountain_dog	chien de montagne bernois	218
Appenzeller	Appenzellois	151
Rottweiler	Rottweiler	152
bloodhound	limier	187
Kerry_blue_terrier	Terrier bleu Kerry	179

Prévoir le prix d’un appartement en fonction de ses caractéristiques

Nous abordons ici un problème de régression: «Comment prévoir le prix d’un appartement en fonction de ses caractéristiques?».

Entrainement

• Ouvrir le fichier train.csv dans le tableur LibreOffice Calc.

• Tracer un diagramme XY du prix MEDV en fonction du nombre de pièces RM.

• Ajouter une courbe de tendance et vérifier la concordance approximative avec la vignette 2.

• En utilisant le modèle prédire le prix d’un 5 pièces à Boston.

Test de validation du modèle

• Ouvrir le fichier test.csv dans le tableur LibreOffice Calc.
• Tracer un diagramme XY du prix MEDV en fonction du nombre de pièces RM.
• Ajouter une nouvelle colonne Erreur qui calcule la distance entre la droite et les points.
• Calculer l’erreur moyenne de votre modèle.

Utilisation de plusieurs paramètres

• Importer les données d’entraînement train.csv grâce à la librairie pandas.

  	CRIM	ZN	INDUS	CHAS	NOX	RM	AGE	DIS	RAD	TAX	PTRATIO	B	LSTAT	MEDV
  0	0.61154	20.0	3.97	0	0.6470	8.704	86.9	1.8010	5	264	13.0	389.70	5.12	50.0
  1	0.03466	35.0	6.06	0	0.4379	6.031	23.3	6.6407	1	304	16.9	362.25	7.83	19.4
  2	10.06230	0.0	18.10	0	0.5840	6.833	94.3	2.0882	24	666	20.2	81.33	19.69	14.1
  3	0.13960	0.0	8.56	0	0.5200	6.167	90.0	2.4210	5	384	20.9	392.69	12.33	20.1
  4	8.79212	0.0	18.10	0	0.5840	5.565	70.6	2.0635	24	666	20.2	3.65	17.16	11.7
  ...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
  450	9.51363	0.0	18.10	0	0.7130	6.728	94.1	2.4961	24	666	20.2	6.68	18.71	14.9
  451	0.52014	20.0	3.97	0	0.6470	8.398	91.5	2.2885	5	264	13.0	386.86	5.91	48.8
  452	0.79041	0.0	9.90	0	0.5440	6.122	52.8	2.6403	4	304	18.4	396.90	5.98	22.1
  453	0.11132	0.0	27.74	0	0.6090	5.983	83.5	2.1099	4	711	20.1	396.90	13.35	20.1
  454	0.25199	0.0	10.59	0	0.4890	5.783	72.7	4.3549	4	277	18.6	389.43	18.06	22.5

  455 rows × 14 columns

• Tracer le graphique en nuage de points(scatter) de la vignette 5 grâce à la librairie matplotlib.

  

• Réaliser la régression linéaire à deux paramètres grâce à la bibliothèque sklearn.

  

• En utilisant le modèle prédire le prix d’un 6 pièces avec 40% de logements occupés par leur propriétaire construits avant 1940 à Boston.

  'Le prix prévu est: 22.136605928493484'