https://github.com/amenalahassa/scratchnet
Neural network from scratch
Science Score: 13.0%
This score indicates how likely this project is to be science-related based on various indicators:
-
○CITATION.cff file
-
✓codemeta.json file
Found codemeta.json file -
○.zenodo.json file
-
○DOI references
-
○Academic publication links
-
○Academic email domains
-
○Institutional organization owner
-
○JOSS paper metadata
-
○Scientific vocabulary similarity
Low similarity (1.5%) to scientific vocabulary
Repository
Neural network from scratch
Basic Info
- Host: GitHub
- Owner: amenalahassa
- Language: Jupyter Notebook
- Default Branch: main
- Size: 342 KB
Statistics
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
- Releases: 0
Metadata Files
README.md
Introduction
Ce projet consiste en l'implémentation des algorithmes Arbre de decision et Reseau de neurones en Python, avec la possibilité d'utiliser des modèles préconstruits de la bibliothèque scikit-learn.
Description des classes
classifieur.py :
Ce fichier contient une classe de base dont herite les classifieurs Arbre de decision et Reseau de neurones. Elle impletement la methode evaluate qui est utilise par ces classes.
DecisionTree.py :
Ce fichier contient une classe implémentant l'algorithme d'arbre de decision. La classe a un paramètre sklearn qui permet d'initialiser un modèle scikit-learn si nécessaire.
NeuralNet.py :
Ce fichier contient une classe implémentant l'algorithme des Reseau de neurones en integrant le SGD pour le backprop. La classe a deux methodes permetant d'utiliser un classifier sklearn pour determiner le nombre de couches caches et le nombre de neurones optimales.
load_datasets.py :
Ce fichier les methodes permettant de charger les datasets
helpers.py :
Ce fichier fournit des fonctions facilitant le chargement des données, la création des modèles et l'affichage du tableau récapitulatif.
entrainer_tester.ipynb :
Ce fichier contient le code principale pour ce projet. Il permet de tester les differents algorithmes et reponds aux consignes de l'enonce du tp 4.
Répartition des tâches
Ce travail a été réalisé seul.
Difficultés rencontrés
Lors de l'entraînement des modèles avec notre implémentation de l'algorithme Arbre de decision, nous avons rencontré un problème au performances du modele avec la version utilisant l'elagage. Les performances baissent, au lieu d'augmenter.
Owner
- Name: Konrad Tagnon Amen ALAHASSA
- Login: amenalahassa
- Kind: user
- Location: Québec
- Repositories: 1
- Profile: https://github.com/amenalahassa
👋 I'm an enthusiastic explorer in the realms of AI and machine learning, let's connect and explore how we can innovate together! 🚀
GitHub Events
Total
- Push event: 2
- Create event: 2
Last Year
- Push event: 2
- Create event: 2
Dependencies
- contourpy 1.3.0
- cycler 0.12.1
- filelock 3.16.1
- fonttools 4.54.1
- fsspec 2024.10.0
- jinja2 3.1.4
- joblib 1.4.2
- kiwisolver 1.4.7
- markupsafe 3.0.2
- matplotlib 3.9.2
- mpmath 1.3.0
- networkx 3.4.2
- numpy 2.1.3
- nvidia-cublas-cu12 12.4.5.8
- nvidia-cuda-cupti-cu12 12.4.127
- nvidia-cuda-nvrtc-cu12 12.4.127
- nvidia-cuda-runtime-cu12 12.4.127
- nvidia-cudnn-cu12 9.1.0.70
- nvidia-cufft-cu12 11.2.1.3
- nvidia-curand-cu12 10.3.5.147
- nvidia-cusolver-cu12 11.6.1.9
- nvidia-cusparse-cu12 12.3.1.170
- nvidia-nccl-cu12 2.21.5
- nvidia-nvjitlink-cu12 12.4.127
- nvidia-nvtx-cu12 12.4.127
- packaging 24.1
- pandas 2.2.3
- pillow 11.0.0
- pyparsing 3.2.0
- python-dateutil 2.9.0.post0
- pytz 2024.2
- scikit-learn 1.5.2
- scipy 1.14.1
- seaborn 0.13.2
- setuptools 75.3.0
- six 1.16.0
- sympy 1.13.1
- threadpoolctl 3.5.0
- torch 2.5.1
- triton 3.1.0
- typing-extensions 4.12.2
- tzdata 2024.2
- matplotlib ^3.9.2
- numpy ^2.1.3
- pandas ^2.2.3
- python ^3.10
- scikit-learn ^1.5.2
- seaborn ^0.13.2
- torch ^2.5.1