2b:null 2c:["$","title",null,{"children":"Apprentissage automatique | Anders | Observable"}] 31:T5c9,result = { // montrer que tensorflow réfléchit avant de retourner le résultat yield html`

Predicting...

` // initialiser tensorflow const m = tf.sequential() // definir la structure du réseau de neurones m.add(tf.layers.dense({ units: 1, inputShape: [1] })) m.compile({ loss: 'meanSquaredError', optimizer: 'sgd' }) // passer les données crées plus haut à tensorflow yield m.fit( tf.tensor2d(testXs, [testXs.length, 1]), tf.tensor2d(testYs, [testYs.length, 1]), { epochs: 500 } ) .then(() => { // une fois que tensorflow a créé un modèle à partir des donnée que nous lui avons données... // créeons une série de valeurs "x" pour voir s'il arrive en deviner les valeurs "y" correspondantes const toCheck = R.uniq(Array.from(Array(8)).map(() => Math.round(Math.random() * 10))) // la table qui va être affichée ci-dessus return html` ${toCheck.map(x => { // pour chaque "x", demander à tensorflow de prédire "y" const result = m.predict(tf.tensor2d([x], [1,1])).dataSync() return html`` })}

Input	Output	Expected	Difference
${x}	${result}	${testFunction(x)}	${Math.abs(testFunction(x) - result)}

` }) }32:[] 2f:{"id":"0ead2e9351c90fa0","slug":"apprentissage-automatique","title":"Apprentissage automatique","thumbnail":"d562fcc3721b43d1275d10bfecf852dda692f8bf3b98bfbdaffe267915be89bd","access_level":"public","create_time":"$D2020-04-27T10:49:52.652Z","update_time":"$D2021-05-17T16:01:01.613Z","view_time":null,"first_public_time":"$D2020-04-28T08:30:03.021Z","fork":true,"stars":0,"starred":false,"owner":{"type":"team","id":"185626bcadc26005","login":"idris-maps","name":"Anders","avatar_url":"https://avatars-next.observableusercontent.com/d976ffbf18d2b8f93ce6f7e9af33d17c450a64656a0b0f89e2a5b3f16cef7aec","tier":"starter_2024"},"version":164,"publish_version":164,"role":null,"authored":false,"authors":[{"type":"individual","id":"37cf327f614a460d","login":"idris-maps","name":"Anders","avatar_url":"https://avatars-next.observableusercontent.com/d976ffbf18d2b8f93ce6f7e9af33d17c450a64656a0b0f89e2a5b3f16cef7aec","tier":null}],"members":[{"type":"individual","id":"37cf327f614a460d","login":"idris-maps","name":"Anders","avatar_url":"https://avatars-next.observableusercontent.com/d976ffbf18d2b8f93ce6f7e9af33d17c450a64656a0b0f89e2a5b3f16cef7aec","tier":null,"role":"editor"}],"comments":[],"custom_thumbnail":false,"trashed":false,"subscribed":null,"forks":0,"collection":{"id":"04f4b394708037c7","slug":"heig-visdom-2020","title":"HEIG-visdom-2020","owner":{"id":"185626bcadc26005","login":"idris-maps","name":"Anders"}},"type":"notebook","body":{"title":"Apprentissage automatique","cells":[{"id":0,"value":"md`# Apprentissage automatique\n\nArticle [wikipedia](https://fr.wikipedia.org/wiki/Apprentissage_automatique)\n\nPour illustrer l'apprentissage automatique, nous allons utiliser la librairie [tensorflow](https://www.tensorflow.org/js/).\n\nNous allons créer une fonction mathématique pour générer un jeu de données et voir si l'ordinateur arrive à apprendre ce que fait la fonction sans la connaître.\n\n**Attention** cet exercice n'a aucun intéret autre que de démontrer comment fonctionne l'apprentissage automatique. Si nous avons une fonction, nous n'avons pas besoin d'avoir un ordinateur qui apprend. Nous pouvons simplement lui donner la fonction et lui demander de l'exécuter.\n\nLe but ici est juste de voir s'il arrive à apprendre. En ayant une fonction, il est facile de créer un jeu de données et de vérifier comment l'ordinateur a appris.\n\n### La fonction:\n`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":20,"value":"testFunction = x => 3 * x - 2","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":148,"value":"md`Vous pouvez modifier la fonction.\n\nCréons les données que nous allons passer à la machine.\n\nUne série de valeurs **x** aléatoires:\n`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":22,"value":"testXs = R.uniq(Array.from(Array(15)).map(() => Math.round(Math.random() * 10)))","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":153,"value":"md`\nAppliquons **testFunction** aux valeurs **x** pour générer les valeurs **y**:\n`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":24,"value":"testYs = testXs.map(testFunction)","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":156,"value":"md`\nNous avons maintenant une série de données **x** et les résultats **y**.\n\nEn ne donnant que ces valeurs à **tensorflow**, voyons s'il arrive à deviner la fonction **testFunction** définie plus haut.\n\nCi-dessous, vous devriez voir soit **Predicting...** (pendant que tensorflow lit les données et crée un modèle), soit une table avec:\n\n* les valeurs **input** que nous lui avons donné pour tester ses connaissances\n* les valeurs **output** qu'il a générées (ce qu'il a prédit)\n* les valeurs **expected**, le résultat de l'application de **testFunction** sur les **input**\n* la **différence** entre **output** et **expected**\n`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":36,"value":"$31","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":4,"value":"tf = require('@tensorflow/tfjs')","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"},{"id":84,"value":"import {R} from '@itacirgabral/ramda'","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined"}],"files":"$W32","stdlib":"1","titling":"auto"}} 30:"$2f:body"