Université Abdelmalek Essaâdi
Écoles National des Sciences Appliquées – Al Hoceima
TP N° 1 – MLP
TDIA2-S4 / 2024-25
Pr. Mohamed CHERRADI
Exercice 01 : Implémentation d'un Perceptron Multicouche (MLP) sur le jeu de données MNIST
Objectif : Implémenter un MLP pour la classification des chiffres manuscrits dans le jeu de données MNIST en
respectant des spécifications d'architecture données.
Spécifications :
1. Jeu de données : MNIST (données d'images de chiffres manuscrits)
o Chaque image est une matrice 28x28 pixels.
o Il y a 60 000 images d'entraînement et 10 000 images de test.
o Les étiquettes sont des entiers allant de 0 à 9, représentant les chiffres manuscrits.
2. Architecture du modèle :
o Couche d'entrée : 784 neurones (correspondant aux 28x28 pixels de chaque image).
o Couche cachée 1 : 128 neurones, fonction d'activation ReLU.
o Couche cachée 2 : 64 neurones, fonction d'activation ReLU.
o Couche de sortie : 10 neurones, fonction d'activation Softmax.
3. Compilation du modèle :
o Optimiseur : Adam
o Fonction de perte : categorical_crossentropy
o Métriques : Précision (accuracy)
4. Entraînement :
o Nombre d’époques : 5
o Taille du batch : 64
o Utiliser une validation croisée en séparant 20% des données d'entraînement pour la validation.
Exercice 02 : Implémentation d'un Perceptron Multicouche (MLP) sur le jeu de données CIFAR-10
Objectif : Implémenter un MLP pour la classification des images dans le jeu de données CIFAR-10, tout en
respectant une architecture spécifique.
Spécifications :
1. Jeu de données : CIFAR-10 (jeu de données d'images de 10 classes)
o Contient 60 000 images en couleur (32x32 pixels) réparties en 10 classes.
o 50 000 images pour l’entraînement et 10 000 pour le test.
1
Université Abdelmalek Essaâdi
Écoles National des Sciences Appliquées – Al Hoceima
TP N° 1 – MLP
TDIA2-S4 / 2024-25
Pr. Mohamed CHERRADI
o Les classes sont : avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau,
camion.
2. Architecture du modèle :
o Couche d'entrée : 3072 neurones (correspondant aux 32x32 pixels et 3 canaux de couleur).
o Couche cachée 1 : 512 neurones, fonction d'activation ReLU.
o Couche cachée 2 : 256 neurones, fonction d'activation ReLU.
o Couche de sortie : 10 neurones, fonction d'activation Softmax.
3. Compilation du modèle :
o Optimiseur : Adam
o Fonction de perte : categorical_crossentropy
o Métriques : Précision (accuracy)
4. Entraînement :
o Nombre d’époques : 10
o Taille du batch : 64
o Utiliser une validation croisée en séparant 20% des données d'entraînement pour la validation.
Exercice 03 : Implémentation d'un Perceptron Multicouche (MLP) sur le jeu de données Breast Cancer
Wisconsin (Diagnostic) Dataset
Objectif : Implémenter un MLP pour la classification binaire des tumeurs mammaires (bénignes ou malignes)
en utilisant le jeu de données Breast Cancer Wisconsin (Diagnostic).
Spécifications :
1. Jeu de données : Breast Cancer Wisconsin (Diagnostic) Dataset.
o Ce jeu de données contient des informations sur des tumeurs mammaires et leur diagnostic
(bénignes ou malignes).
o Il contient 569 instances (lignes) et 30 attributs (colonnes) numériques, tels que la texture, la
compacité, la concavité, etc. Chaque ligne représente une tumeur avec plusieurs caractéristiques
mesurées.
o Le jeu de données est étiqueté en deux classes :
0 : Bénin
1 : Malin
2. Architecture du modèle :
o Couche d'entrée : 30 neurones (correspondant aux 30 caractéristiques du jeu de données).
2
Université Abdelmalek Essaâdi
Écoles National des Sciences Appliquées – Al Hoceima
TP N° 1 – MLP
TDIA2-S4 / 2024-25
Pr. Mohamed CHERRADI
o Couche cachée 1 : 64 neurones, fonction d'activation ReLU.
o Couche cachée 2 : 32 neurones, fonction d'activation ReLU.
o Couche de sortie : 1 neurone, fonction d'activation sigmoïde (car il s'agit d'un problème de
classification binaire).
3. Compilation du modèle :
o Optimiseur : Adam
o Fonction de perte : binary_crossentropy
o Métriques : Précision (accuracy)
4. Entraînement :
o Nombre d’époques : 10
o Taille du batch : 32
5. Validation :
o Utiliser un jeu de test pour évaluer les performances du modèle après l'entraînement.
Exercice 04 : Implémentation d'un MLP pour la Prédiction du Prix d'une Maison sur le Dataset Boston
Housing
Objectif : Implémenter un Perceptron Multicouche (MLP) pour la régression (prédiction continue) des prix des
maisons à partir du dataset Boston Housing.
Spécifications :
1. Jeu de données : Boston Housing Dataset
o Ce jeu de données contient des informations sur 506 maisons situées à Boston, avec 13
caractéristiques (features) qui influencent le prix des maisons, telles que :
Le taux de criminalité par rapport à la population
Le taux d'occupation des logements
La proportion d'élèves par enseignant
La distance aux centres d'emplois
Le nombre de chambres
Etc.
o L'objectif est de prédire le prix médian des maisons en milliers de dollars (variable cible
continue).
2. Architecture du modèle :
o Couche d'entrée : 13 neurones (correspondant aux 13 caractéristiques du dataset).
3
Université Abdelmalek Essaâdi
Écoles National des Sciences Appliquées – Al Hoceima
TP N° 1 – MLP
TDIA2-S4 / 2024-25
Pr. Mohamed CHERRADI
o Couche cachée 1 : 64 neurones, fonction d'activation ReLU.
o Couche cachée 2 : 32 neurones, fonction d'activation ReLU.
o Couche de sortie : 1 neurone (car il s'agit d'un problème de régression, on prédit un prix
continu).
3. Compilation du modèle :
o Optimiseur : Adam
o Fonction de perte : mean_squared_error (car c'est une tâche de régression)
o Métriques : Erreur quadratique moyenne (RMSE - Root Mean Squared Error)
4. Entraînement :
o Nombre d’époques : 50
o Taille du batch : 32