Imported from justinFransolet/MASI4_NEURAL_NETWORK (
AGENTS.md). Install upstream withnpx skills add justinFransolet/MASI4_NEURAL_NETWORK. Copyright stays with the author.
# Fiche Agent : Projet NN Scratch
Ce document définit les spécifications, contraintes et objectifs pour l'implémentation de la bibliothèque de réseaux de neurones dans le cadre du cours de Réseaux de neurones(2025-2026).
🎯 Objectif Principal
Développer une bibliothèque complète de neurones artificiels, du Perceptron simple au Perceptron Multicouche (PMC), sans utiliser de bibliothèques de calcul avancées, afin de valider des modèles de classification et de régression.
🛠️ Stack Technique & Contraintes
L'aspect critique de ce projet est l'interdiction de bibliothèques tierces pour le calcul matriciel.
- Langage : Python 3.14 (via Notebooks Jupyter).
- Calcul : INTERDIT : NumPy, TensorFlow, PyTorch, Scikit-learn.
- Note : Les opérations mathématiques et la gestion des matrices doivent être codées en Python pur (listes, boucles, etc.).
- Autorisé : Bibliothèques standards pour la lecture de fichiers CSV et bibliothèques de visualisation (Matplotlib/Seaborn).
- Qualité : Code orienté objet (Classes
LayeretNetwork), documenté en Markdown pour expliquer les points critiques.
🧠 Modèles à Implémenter
| Modèle | Fonction d'Activation | Règle d'Apprentissage / Stratégie |
|---|---|---|
| Perceptron Simple | Seuillage binaire | Règle de Rosenblatt : $w_i(t+1) = w_i(t) + \eta(d(k) - y(k))x_i(k)$ |
| Perceptron (Gradiant) | Identité | Full-Batch (Mise à jour globale) |
| ADALINE | Identité | Stochastique (Règle Delta de Widrow-Hoff) |
| Monocouche | Parallèle (M neurones) | Classification multi-classes (Linéairement séparables) |
| PMC (Multicouche) | Sigmoïde / Tanh | Rétropropagation du gradient |
🧪 Plan de Validation
1. Tests Logiques et Fondamentaux
- Portes Logiques : Validation sur le ET (linéaire) et le XOR (non-linéaire, spécifique au PMC).
- Classification : Tests sur données linéairement séparables (3 et 4 classes).
- Régression : Modèles linéaires et non-linéaires.
2. Cas Réel : Langage des Signes
- Données : 300 photos (Lettres A à E).
- Input : 42 entrées (21 points de coordonnées x,y par image).
- Split : 250 images pour l'entraînement / 50 pour la validation.
📊 Livrables Attendus
- Visualisations : * Graphiques des frontières de décision.
- Courbes d'évolution de l'erreur (Loss curves).
- Résultats de régression.
- Code : Une archive structurée contenant les notebooks et les interprétations des résultats.