Voici une vidéo accompagnant mon premier chapitre « 0 – Bases Python » d’informatique du tronc commun (ITC), matière enseignée en prépas scientifiques. Elle vous permettra de faire vos premiers pas en ITC en début de première année. Vous trouverez toutes les ressources dans la partie Informatique – ITC1 de mon site et sur la page dédiée à ce TD ici: LIEN
On programme des fonctions, on trace des courbes, le tout avec des conseils importants de rédaction, pour une application aux calculs de moyenne et variance d’une liste d’entiers, en étudiant leur complexité en temps et en affichant les temps de calculs.
Après mon TD 3-1 disponible ici (lien) et en lien direct ici (lien) permettant de reconnaitre automatiquement des panneaux de signalisation routière par la méthode KNN des k plus proches voisins, je vous partage un nouveau TD utilisant un réseau de neurones et le module scikit-learn de Python pour réaliser la même chose.
C’est le TD9 ici (lien) et en lien direct ici (lien).
Pour avoir une idée de la manière avec laquelle on peut trouver le panneau sur l’image d’une caméra, c’est sur le DS ici (lien) et sur mon site avec le DS « Détection de panneaux de signalisation » du chapitre 7 ici (lien).
J’ai mis en ligne mon premier cours en vidéo sur la page IA, et ci-dessous.
Voici une vidéo de cours sur les réseaux de neurones basée sur le sujet de concours CCINP PSI 2024 Modélisation, mon TD 1-5 et ma présentation de cours. Elle vous permettra de comprendre comment un réseau de neurones fonctionne numériquement, comment l’entraîner par rétropropagation et descente de gradient, comment le programmer avec le langage Python, et comment ensuite utiliser le module scikit-learn pour programmer très simplement le vôtre. Pour bien suivre, il est mieux d’avoir des notions sur la dérivée et les matrices. Connaître le langage Python est un plus.
Vous le saviez, WindDriftMaster est désormais disponible gratuitement sur le Microsoft Store: LIEN Dans le cadre de sa mise à disposition, j’ai réalisé une vidéo de présentation générale à destination des membres de la Fédération Française Aéronautique (via l’actu FFA) et des lecteurs d’Info-Pilote (via leur site web). WindDriftMaster est un outil pédagogique qui s’adresse aussi bien aux élèves-pilotes qu’aux pilotes confirmés et aux instructeurs souhaitant disposer d’un support visuel et interactif pour l’enseignement ou la révision des fondamentaux de la navigation aérienne sous l’effet du vent. Des informations complémentaires, ainsi que des ressources associées, sont disponibles sur mon site : LIEN
Après le sujet consacré à la convolution par réseaux de neurones appliquée aux images, je vous propose de découvrir sur mon site trois nouveaux sujets (TD4, TD5 et TD7), que je viens de créer/remanier et finaliser : TD5 – Comprendre le fonctionnement d’un réseau de neurones de A à Z : architecture, calculs internes, apprentissage. (Quelques bases scientifiques sont nécessaires.)
TD4 – Entraîner un réseau de neurones (avec le module scikit-learn) pour reconnaître une balle rouge sur fond blanc, puis extraire automatiquement le rouge d’une image quelconque afin de détecter une balle dans un contexte robotique.
TD7 – Utiliser un réseau de neurones (avec scikit-learn) pour interpoler une courbe quelconque définie par les coordonnées de ses points, dans le cadre de la résolution d’un mécanisme à quatre barres.
Après mon TD d’IA sur la méthode de classification KNN (k plus proches voisins) disponible ici (TD 3-4 lien) et en lien direct ici (lien), j’ai développé un nouveau sujet de même structure permettant la classification 2D par réseau de neurones, disponible ici (TD 1-8 lien) et en lien direct ici (lien).
Ces deux TD sont construits sur la même base, seule la partie sur la classification change, ce qui permet de traiter les deux méthodes au programme facilement en obtenant de jolies images et une classification bien visible et concrète.
🎓 Je viens de finaliser un petit sujet d’IA très sympa pour les enseignements de Sciences de l’Ingénieur et d’Informatique en CPGE
Dans ce TD, j’explore une idée amusante : 👉 détecter les contours d’une image… sans utiliser explicitement les nuances de gris, le Laplacien (convolution), ni la binarisation (noir et blanc).
À la place, un réseau de neurones (scikit-learn) apprend, à partir de milliers d’exemples aléatoires de petits patchs 3×3 en couleurs, à prédire si le pixel central doit être noir ou blanc dans l’image finale.
Autrement dit : 🧠➡️ L’IA recrée le comportement d’un filtre de convolution, uniquement par apprentissage.
