Devoir Maison – Réseaux Convolutifs (ING2 Ingénierie Mathématiques)

Auteur : Iliass Erahouten
Date de début : 19 Décembre 2025
Date de remise : 03 Janvier 2026
Total : 30 pts

Description

Ce devoir maison porte sur l’utilisation des réseaux de neurones convolutifs (CNN) pour classifier des images du jeu de données CIFAR-10. L’objectif est de construire et d’entraîner un modèle capable de distinguer deux classes d’images parmi les dix disponibles (par exemple : deer et horse).

Le projet permet de mettre en pratique les concepts suivants :

• Chargement et prétraitement des données : lecture des batches CIFAR, filtrage des classes, normalisation des pixels et conversion des labels en binaire.
• Construction d’un CNN avec Keras :
  • Couches de convolution (Conv2D) pour extraire les caractéristiques visuelles.
  • Couches de pooling (MaxPooling2D) pour réduire la dimensionnalité tout en conservant l’information essentielle.
  • Couches d’aplatissement (Flatten) et entièrement connectées (Dense) pour la classification finale.
• Choix des fonctions d’activation et de perte :
  • Softmax avec sparse_categorical_crossentropy pour une sortie multi-neurones.
  • Sigmoïde avec binary_crossentropy pour la classification binaire.
• Optimisation et entraînement : utilisation de l’optimiseur Adam avec un taux d’apprentissage adapté, suivi de l’évolution de la précision (accuracy) sur les ensembles d’entraînement et de validation.
• Évaluation des performances : comparaison des deux architectures pour identifier la plus performante sur le jeu de test.

Ce projet permet de consolider les compétences en Deep Learning, prétraitement d’images, architecture CNN, et implémentation pratique avec Keras, tout en développant une approche expérimentale pour choisir l’architecture et les hyperparamètres optimaux.

Références

• Ian Goodfellow, Yoshua Bengio, Aaron Courville – Deep Learning
• Saharon Rosset, Ji Zhu, Trevor Hastie – Margin Maximizing Loss Functions
• Jeu de données CIFAR-10