Projet A : Diagnostiquer une maladie

Dans ce projet, vous allez créer un réseau de neurones qui diagnostique la cirrhose (lésion cicatricielle sévère du foie) chez des patients en vous basant sur des facteurs numériques et catégoriels. Vous utiliserez le jeu de données cirrhosis.csv.

1. Le jeu de données contient des données manquantes (« NA »). Supprimez toutes les lignes comportant des données manquantes.
2. Les données d'entrée X doivent être constituées de toutes les colonnes de variables explicatives à l'exception de « ID », « N_Days », « Status » et « Drug ». Supprimez ces colonnes.
3. Convertissez les données catégorielles en données numériques à l'aide de l'encodage one-hot (voir Autres techniques d'apprentissage automatique). Vous trouverez peut-être la fonction Python get_dummies() très utile.
4. La variable de réponse (sortie) doit être définie sur Status. Status vaut soit « D » pour le décès du patient, soit « C » ou « CL » en l'absence de décès enregistré du patient pendant l'essai. Le code suivant doit être utilisé pour transformer les données de chaînes de caractères en données numériques : y = df['Status'].apply(lambda x: 0 if x=='D' else 1).
5. Vous devrez également convertir les chaînes de caractères en valeurs numériques dans le dataframe d'entrée, X. Utilisez le code suivant pour ce faire :
   X = X.replace('F',1)
X = X.replace('M',0)
X = X.replace('Y',1)
X = X.replace('N',0)
6. Vous êtes maintenant prêt à effectuer la séparation entraînement/test et à construire votre modèle ! À l'aide de TensorFlow, fixez le nombre d'unités dans les couches cachées à 16 et 16 (deux couches cachées), et fixez le nombre d'époques à 10. Ce modèle converge très rapidement sur les données, il n'est donc pas nécessaire d'exécuter un grand nombre d'époques.
7. Enregistrez la perte et l'exactitude finales de l'étape d'entraînement ainsi que le score d'exactitude du modèle sur l'ensemble de test. Quelles sont les performances de votre modèle ? En vous basant sur le score d'exactitude, quel niveau de confiance auriez-vous dans l'utilisation de ce modèle pour diagnostiquer la cirrhose ?

Projet B : Reconnaître des chiffres

De nombreuses applications du monde réel reposent sur la capacité de la technologie à reconnaître des chiffres manuscrits, notamment la lecture automatique de formulaires, la reconnaissance des codes postaux lors du tri du courrier, l'évaluation automatisée et la numérisation des dossiers médicaux.

1. À l'aide de TensorFlow, construisez un modèle de réseau de neurones convolutif (CNN) en Python et entraînez-le à reconnaître les chiffres manuscrits du jeu de données MNIST. Cet article sur l'apprentissage automatique vous guide tout au long du processus, en incluant des discussions détaillées sur les variations et les améliorations du modèle.
2. Testez différents taux d'apprentissage, en ajoutant ou en supprimant des couches ainsi que d'autres variations, et rendez compte de leur efficacité.
3. En groupe, discutez des avantages et des inconvénients du modèle CNN par rapport à d'autres modèles potentiels pour la classification des chiffres.

Projet C : Licence artistique

Dans ce projet, vous utiliserez des modèles de NLP/LLM, tels que ChatGPT et OpenArt, pour créer une histoire « originale » accompagnée d'illustrations.

1. En groupe, réfléchissez à des thèmes et des personnages pour une histoire. Utilisez ensuite des invites adaptées pour guider le LLM dans la création d'un récit cohérent, doté d'une intrigue claire et de personnages réalistes. Explorez différents genres et thèmes, tels que l'aventure, la fantasy ou le contenu éducatif. L'équipe doit éditer et peaufiner le texte généré pour en assurer la cohérence et l'adéquation au public cible visé.
2. Utilisez des outils de génération d'art basés sur l'IA pour créer des illustrations pour l'histoire. L'équipe créera des invites à partir de l'histoire générée afin de guider le processus de création artistique, en veillant à ce que les illustrations soient en accord avec le récit et en expérimentant différents styles et techniques artistiques pour créer un livre de contes visuellement attrayant. Le groupe devra peaufiner et sélectionner les meilleures illustrations à inclure dans le produit final.
3. Pour susciter un intérêt supplémentaire, utilisez des outils de composition musicale basés sur l'IA pour créer une musique de fond pour le livre de contes. Le groupe choisira des styles musicaux appropriés en fonction de l'ambiance et du cadre de l'histoire. La musique doit enrichir l'expérience globale de la narration.