Annealing and GMM¶

In this program we make an annealing procedure with many centers in the GMM model. We only adjust the centers and the inverse temperature $\beta$ corresponds to the inverse of the variance of each center

TP Neural Network¶

the first part of this session is to implement its own version of the perceptron and get more familiar with the practice of ML.

Multiclass Perceptron¶

In order to make your own perceptron, you will have to implement the following

1. Define the softmax function
2. PeceptronOut : return the output for each of the $K$ neurons.

Continue reading

Classifieur Lineaire : le perceptron¶

Le but de ce TP est de se familiariser avec les réseaux de neurones. Dans un premier temps, nous allons nous intéressés au modèle du perceptron. Le Perceptron permet de classifier des jeu de données à condition que celui-ci soit séparable linéairement. Ce modèle est particulièrement important puisqu'il est une des briques de base des réseaux de neurones profonds.

Continue reading

TP1 : inférence Bayésienne et K-moyennes¶

TP : regression et autoencoder¶

Le but de ce TP est de voir les deux modèles suivants

• la régression par réseau de neurone
• l'autoencoder

Régression¶

On a vu comment classifier des données par l'utilisation des réseaux de neurones. Ici on va voir rapidement comment il est possible de régresser des fonctions.

Soit la fonction suivante

Faire des clusters¶

Regardons maintenant l'intérêt de l'ACP dans le cas d'un jeu de données corrspondant à des clusters. Nous allons, à l'aide de la cellule suivante, créer des Nc clusters en dimension D à l'intérieur d'un cube de dimension 2L.