Cours

Rapport n°2 pour le 8 décembre


En plus des TME que vous nous soumettez à la fin de chaque séance, nous vous demandons dans ce rapport n°2 quelques approfondissements sur les 3 TME des séances 6, 7, 8.


Approfondissements sur le TME 6

  • Analyses succinctes autour de la différence de performances en apprentissage et en test
    • Etude de la performance en fonction du nombre d'états choisis pour la discrétisation
    • Impact de l'initialisation des matrices de comptage {$A,\Pi$} à 1 au lieu de 0.
  • Donner quelques exemple de lettres difficiles à différentier

Approfondissements sur le TME 7

  • Même analyses que précédemment, mais sur les MMC
  • Analyses sur la stabilité des résultats obtenus en fonction de la complexité des modèles
    • Effectuer des campagnes d'expériences
    • Comparer les moyennes ET les écarts-types sur les ensembles de résultats obtenus

Approfondissements sur le TME 8

  • Illustrer les différences entre modèles génératifs et discriminants

Quelques indications pour ne pas rester bloquer sur le TME. Coté vitesse, il faut essayer de coder en évitant les boucles pour gagner (beaucoup) de temps.


# calcul de f(x) pour tous les points:
f = 1./(1+np.exp(-X.dot(w)-b))

# calcul du gradient en W pour tous les points et pour tous les w
# (avec N le nb de points)
nabla_w = (X * (Y - f).reshape(N,1)).sum(0)
... # gradient en b, mise à jour des paramètres

# calcul de la vraisemblance:
f = 1./(1+np.exp(-X.dot(w)-b))
LV[iter] = (Y * np.log(f) + (1-Y)*np.log(1-f)).sum()