adding tp3 and new file (enonce tp final)

exos/tp3_autoencoder/main.py

+import numpy as np
+from sklearn.model_selection import train_test_split
+from keras.models import Model
+from keras.layers import Input, Dense
+from keras.optimizers import Adam
+
+# Charger et préparer les données
+data = np.loadtxt('datas/semeion.data')
+
+# Séparer les features et les labels
+X = data[:, :-10]  # Ignorer les 10 dernières colonnes
+y = data[:, -10:]
+
+# Diviser les données en ensembles d'entraînement et de test
+X_train, X_test = train_test_split(X, test_size=0.2, random_state=42)
+
+# Fonction pour ajouter du bruit aux données
+def add_noise(data, noise_factor=0.5):
+    noisy_data = data + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=data.shape)
+    noisy_data = np.clip(noisy_data, 0., 1.)
+    return noisy_data
+
+# Auto-encodeur avec une couche cachée
+def build_single_layer_autoencoder(input_dim, hidden_dim):
+    input_layer = Input(shape=(input_dim,))
+    hidden_layer = Dense(hidden_dim, activation='relu')(input_layer)
+    output_layer = Dense(input_dim, activation='sigmoid')(hidden_layer)
+    autoencoder = Model(inputs=input_layer, outputs=output_layer)
+    autoencoder.compile(optimizer=Adam(), loss='mean_squared_error')
+    return autoencoder
+
+# Auto-encodeur avec trois couches cachées
+def build_three_layer_autoencoder(input_dim, hidden_dims):
+    input_layer = Input(shape=(input_dim,))
+    hidden_layer1 = Dense(hidden_dims[0], activation='relu')(input_layer)
+    hidden_layer2 = Dense(hidden_dims[1], activation='relu')(hidden_layer1)
+    hidden_layer3 = Dense(hidden_dims[2], activation='relu')(hidden_layer2)
+    output_layer = Dense(input_dim, activation='sigmoid')(hidden_layer3)
+    autoencoder = Model(inputs=input_layer, outputs=output_layer)
+    autoencoder.compile(optimizer=Adam(), loss='mean_squared_error')
+    return autoencoder
+
+# Entraîner et évaluer un auto-encodeur
+def train_and_evaluate_autoencoder(autoencoder, X_train, X_test, epochs=50, batch_size=256):
+    autoencoder.fit(X_train, X_train, epochs=epochs, batch_size=batch_size, shuffle=True, validation_data=(X_test, X_test))
+    reconstructed = autoencoder.predict(X_test)
+    mse = np.mean(np.power(X_test - reconstructed, 2), axis=1)
+    print("Mean Squared Error: ", np.mean(mse))
+
+# Entraîner et évaluer un auto-encodeur avec des données bruitées
+def train_and_evaluate_noisy_autoencoder(autoencoder, X_train, X_test, noise_factor=0.5, epochs=50, batch_size=256):
+    X_train_noisy = add_noise(X_train, noise_factor)
+    X_test_noisy = add_noise(X_test, noise_factor)
+    autoencoder.fit(X_train_noisy, X_train, epochs=epochs, batch_size=batch_size, shuffle=True, validation_data=(X_test_noisy, X_test))
+    reconstructed = autoencoder.predict(X_test)
+    mse = np.mean(np.power(X_test - reconstructed, 2), axis=1)
+    print("Mean Squared Error with noise: ", np.mean(mse))
+
+# Paramètres
+input_dim = X_train.shape[1]
+
+# Entraîner et évaluer l'auto-encodeur avec une couche cachée
+single_layer_autoencoder = build_single_layer_autoencoder(input_dim, hidden_dim=64)
+train_and_evaluate_autoencoder(single_layer_autoencoder, X_train, X_test)
+
+# Entraîner et évaluer l'auto-encodeur avec trois couches cachées
+three_layer_autoencoder = build_three_layer_autoencoder(input_dim, hidden_dims=[128, 64, 32])
+train_and_evaluate_autoencoder(three_layer_autoencoder, X_train, X_test)
+
+# Entraîner et évaluer l'auto-encodeur avec des données bruitées
+train_and_evaluate_noisy_autoencoder(three_layer_autoencoder, X_train, X_test, noise_factor=0.5)
\ No newline at end of file

exos/tp3_autoencoder/requirements.txt

+absl-py==2.1.0
+h5py==3.12.1
+joblib==1.4.2
+keras==3.6.0
+markdown-it-py==3.0.0
+mdurl==0.1.2
+ml_dtypes==0.5.0
+namex==0.0.8
+numpy==2.0.2
+optree==0.13.1
+packaging==24.2
+Pygments==2.18.0
+rich==13.9.4
+scipy==1.13.1
+threadpoolctl==3.5.0
+typing_extensions==4.12.2