1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
|
Début du projet : 22 janvier 2018
Fin du projet : 27 avril 2018
Consigne des rapports (dans la plateforme Moodle) : 5 mai 2018
Date limite pour le rendu des livrables (aux encadrants) : 5 mai 2018
Soutenances : 28-30 mai 2018
On est acutellement en Gradient descent
On voudrait passer en Stochastic gradient descent
Batch size ( 10 )
SUr les 100 exemples du jeu de test, on va en faire passer que Bs
augmenter la vitesse de chaque epoque en limitant le nombre de fois que l'on backward
( taille de training set / BS)
On calcule la moyenne des erreur pour BS test successif, PUIS on backPropagation
On cherche alors a tester laquel des methodes est plus efficace que l'autre, à quel niveau
Integrer d'autres methodes d'FonctionActivatio:
atest : RELU
relu = max(0,z) avec z = Wx + b
Permettre de choisir la fonction d'activation et la fonction de calcul d'erreur ( actuellement
erreur quadratique ( attendut-output)^2 ( plus adaptée a de la regression ))
On pourrait utiliser
Cross Entropy :
-Sigma(attendu*log(output))
Seance finale :
Rapport :
intro : presenter d'abord la classification supervisée quesaquo, puis parler du cahier des charges
Classification multiclasse : chaque element n'est que dans une classe max
ajouter la gueule de la sigmoide dans le 2.1.x
Retirer la partie code de la 2.x pour tout recentrer dans une partie dedié au code
mettre le vocabulaire ( lexique ) en entrée du rapport plutot
partie 3 :
d'abord le modele puis l'implementation
ajouter la partie formelle ( backprop dans un reseau )
macro latex piur les fleches : \rightarrow
macro \mathit....
++ Partie experiences, experimentation avec les jeux de données, détailler les jeux de donnés
++ aprler des gradient descent
++ citer les platefrome d'apprentissage
kaffe pythorch desrtflow?
parler de la precision des descripteur
pour la presentation : 15 minutes, 7 transparents: dire bien qui a travaillé sur quelle Partie,
ptite demo avec le JS deja enregistré ( qui tombe sur des resultat sympathique )
transprent :
1 : poser le probleme
2 : dire qu'on est pas les seuls, big data, deeplearning, plateforme existantes ( On implemente notre plateforme)
3 : On demarre
un peu sur le neuronne
reseau methode,
implementation
diagrame UML
/!!!!\ experiences, montrer des jeux de de données differents jeu complexe => modele complexe
demo (2/3min)
conclusion + ouverture / perspective
Prochain rendu du rapport le 2/3
L'an prochain : meme difficulté ( voire un peu moins )
|
