Introduction à l'Intelligence Artificielle

Cours pratique d'introduction au deep learning, en mode learning by doing (style Epitech).
L'objectif : comprendre et construire des réseaux de neurones capables de reconnaître des chiffres manuscrits (MNIST), en partant de zéro.

Note : Les notebooks de cours ont été générés avec l'aide d'une IA (Claude Opus 4.6).

Contenu

1. Réseau de neurones from scratch — nn_from_scratch.ipynb

Construction d'un réseau de neurones entièrement à la main avec NumPy, sans aucun framework ML.
Chaque multiplication matricielle, chaque dérivée, chaque mise à jour de poids est codée manuellement.

Modules couverts :

• Rappels mathématiques (produit matriciel, transposée, broadcasting)
• Le neurone : somme pondérée, biais, activation
• Fonctions d'activation : Sigmoid, ReLU, Softmax et leurs dérivées
• Forward propagation
• Loss functions : MSE, Cross-Entropy
• Backpropagation et chain rule
• Gradient descent, learning rate, mini-batch
• Assemblage dans une classe NeuralNetwork
• Entraînement et évaluation sur MNIST
• Améliorations : Momentum, He init, learning rate decay

Stack : Python, NumPy, Matplotlib

2. Classification MNIST avec Keras — mnist_cours.ipynb

Approche progressive de la classification d'images avec des frameworks ML, de la baseline classique jusqu'au CNN optimisé.

Modules couverts :

• Exploration et visualisation du dataset MNIST
• Preprocessing : normalisation, reshape, one-hot encoding
• Baseline avec régression logistique (scikit-learn)
• MLP (réseau dense) avec Keras
• CNN (réseau convolutif) : Conv2D, MaxPooling, feature maps
• Amélioration : Data augmentation, Dropout, EarlyStopping
• Pipeline complet d'inférence et analyse des erreurs

Stack : Python, NumPy, Matplotlib, Seaborn, scikit-learn, TensorFlow / Keras

Résultats typiques :

Modèle	Accuracy (test)
Régression Logistique	~92%
MLP (2 couches denses)	~97-98%
CNN simple	~99%
CNN + augmentation + dropout	~99.2-99.4%

Prérequis

• Python 3.10+
• Les dépendances s'installent directement depuis les notebooks

Utilisation

1. Cloner le dépôt
2. Ouvrir les notebooks dans Jupyter ou VS Code
3. Suivre les cellules dans l'ordre — les cellules marquées # TODO sont à compléter