RESEAUX DE TRANSMISSIONS ET
DE SIGNALISATION
5GTEL
P R É S E N T É PA R : T H E R E S E L E AT I T I A N TO M B N TO M B ( 1 9 P 1 7 6 )
Superviseur : Pr TONYE EMMANUEL
Année académique 2024 -2025
TP: RECONNAISSANCE DES
CHIFFRES MANUSCRITS
UTILISANT TENSORFLOW
2
SOMMAIRE
INTRODUCTION
• PREREQUIS
I
• ARCHITECTURE ET RESULTATS
II
• COMMENTAIRES
III
CONCLUSION
3
INTRODUCTION
L'identification automatique des chiffres manuscrits est un domaine crucial de l'IA et du
machine learning. L'essor du numérique rend vital la lecture et le traitement de l'écriture
manuscrite dans des secteurs comme la finance, l'éducation et l'automatisation. Nous
présenterons un système de reconnaissance basé sur la base de données MNIST, riche en
exemples de chiffres manuscrits. Notre but est de créer un modèle performant grâce à
TensorFlow, outil de référence du deep learning.
4
I. PREREQUIS
Pour notre projet nous avons utilisées :
Python comme Jupyter Notebook TensorFlow comme MNIST comme
langage de comme environnement bibliothèque dataset principale
de programmation principale
programmation
5
ARCHITECTURE ET RESULTATS
6
ARCHITECTURE ET RESULTATS
7
ARCHITECTURE ET RESULTATS
8
ARCHITECTURE ET RESULTATS
9
ARCHITECTURE ET RESULTATS
10
ARCHITECTURE ET RESULTATS
11
ARCHITECTURE ET RESULTATS
12
ARCHITECTURE ET RESULTATS
13
ARCHITECTURE ET
RESULTATS
14
ARCHITECTURE ET RESULTATS
15
ARCHITECTURE ET RESULTATS
16
ARCHITECTURE ET RESULTATS
17
ARCHITECTURE ET RESULTATS
18
ARCHITECTURE ET RESULTATS
19
ARCHITECTURE ET RESULTATS
20
ARCHITECTURE ET RESULTATS
21
ARCHITECTURE ET RESULTATS
22
COMMENTAIRES
Prétraitement des Données : Dans le code, nous avons d'abord chargé le dataset MNIST, puis prétraité les
images en les normalisant et en les redimensionnant. Cela a permis d'améliorer la performance du modèle
lors de l'entraînement.
Modèle et Entraînement : Nous avons défini un modèle CNN avec plusieurs couches de convolution et
de pooling. Ce modèle a été entraîné sur le dataset, et nous avons suivi la perte et l'exactitude au cours des
epochs. Les graphiques que nous avons générés montrent une amélioration constante, ce qui indique que
notre modèle a bien appris.
Évaluation et Résultats : Après l'entraînement, nous avons évalué le modèle sur des données de test et
visualisé les résultats à l'aide de matrices de confusion. Cela nous a permis d'identifier les erreurs de
classification et d'analyser les performances du modèle.
Prédictions sur Images Personnalisées : Enfin, nous avons intégré une fonction qui permet de prédire des
chiffres à partir d'images personnalisées. Cela démontre l'application pratique de notre modèle et son
potentiel dans des scénarios réels.
23
CONCLUSION
En conclusion, notre projet de reconnaissance de chiffres manuscrits, utilisant Python,
Anaconda, TensorFlow et des réseaux de neurones convolutionnels, a prouvé l'efficacité du
machine learning. L'entraînement du modèle a permis d'atteindre une haute précision sur le
dataset MNIST, confirmée par les courbes de performance. Ces résultats prometteurs ouvrent la
voie à des applications concrètes, comme la numérisation et le traitement de formulaires, grâce à
la capacité du modèle à prédire des chiffres sur des images personnalisées.
24