Projet Big Data – Comparaison d'optimiseurs et Transfer Learning

Description

Ce projet explore l'apprentissage profond en comparant différents optimiseurs et en testant une approche de transfer learning.

L'objectif est d'observer les performances de différents modèles sur plusieurs jeux de données d'images et d'analyser l'impact de la complexité des données sur la précision du modèle.

Jeux de données utilisés

MNIST

• 60 000 images d'entraînement
• 10 000 images de test
• Images de chiffres manuscrits (28x28)

CIFAR-10

• 50 000 images d'entraînement
• 10 000 images de test
• Images couleur (32x32) réparties en 10 classes

Technologies utilisées

• Python
• TensorFlow / Keras
• NumPy
• Matplotlib
• Scikit-learn

Expérimentations

1. Apprentissage sur MNIST

Un modèle de réseau de neurones est entraîné avec deux optimiseurs :

• SGD (Stochastic Gradient Descent)
• Adam

Résultat :
Les deux optimiseurs obtiennent de bonnes performances, mais Adam converge plus rapidement et donne de meilleurs résultats.

---

2. Apprentissage sur CIFAR-10

Le même type d'expérience est réalisé sur un dataset plus complexe.

Résultat :

• La précision diminue fortement à cause de la complexité du jeu de données.
• Adam reste plus performant que SGD.
• L'écart de performance entre les deux optimiseurs devient plus important.

---

3. Transfer Learning

Pour améliorer les performances sur CIFAR-10, une approche de transfer learning est testée avec :

• MobileNetV2 pré-entraîné sur ImageNet

Le modèle est adapté avec des couches supplémentaires pour la classification.

Résultat : Les performances restent limitées car :

• les images CIFAR-10 ne sont pas parfaitement adaptées au modèle ImageNet
• le prétraitement des données n'est pas optimisé.

Lancer le projet

Installer les dépendances :

pip install tensorflow numpy matplotlib scikit-learn