Skip to content

Latest commit

 

History

History
62 lines (52 loc) · 3.58 KB

README.md

File metadata and controls

62 lines (52 loc) · 3.58 KB
Raw

MachineLearningEmbarque

Membres du binôme :

  • Romain TROVALLET
  • Théo FAUCHER

Pour faciliter le travail, nous utilisons un dépôt GitHub : https://github.com/Roilann/MachineLearningEmbarque

Classement des modèles

Vous pouvez retrouver les modèles dans le dossier models, avec les courbes d'apprentissage en image.

  1. dataset_v3_rms_001_bc_e200_b20_vp02_EXPERIMENTAL_metrics_precision_recall_early_stopping_reduce_lr_on_plateau
  2. dataset_v1_rms_01_binary_crossentropy_e200_b15_vp02
  3. dataset_v1_rms_01_binary_crossentropy_e200_b20_vp02
  4. dataset_v1_adam_05_binary_crossentropy_e400_b30_vp02

Hors catégorie :

  • dataset_v1_rms_001_m01_binary_crossentropy_e200_b20_vp02_EXPERIMENTAL_metrics_auc_l2_early_stopping_redure_lr_on_plateau

Etat actuel du projet

Nous avons pu enregistrer des premiers modèles contenant des paramètres déterminés à l'aide de multiples itérations et lecture de documentations. Nous avons fait ce travail avec un premier dataset.

Actuellement nous avons pu créer deux nouveaux datasets, nous n'avons pas encore eu le temps de les exploiter suffisamment. En parallèle nous avons essayé d'identifier les problèmes des précédents modèles et nous avons ajouté dans le fichier model.py plusieurs algorithmes pour les metrics, les callbacks ou encore les regularizers. Cependant nous n'avons pas encore eut le temps de réellement de les intégrer dans le modèle, de les essayer et de les configurer. Nous avons tout de même exporté le modèle dans cet état dans le cas où cela pourrait vous intéressez, le modèle s'appelle dataset_v3_rms_001_bc_e200_b20_vp02_EXPERIMENTAL_metrics_precision_recall_early_stopping_reduce_lr_on_plateau.

Comment utiliser les programmmes ?

  • Récupérer les informations de l'accéléromètre sous format csv, avec les mêmes headers que les exemples dans le dossier input
  • Placer le fichier csv dans le dossier input
  • Lancer le programme visualize_and_export.py
    • Écrire le nom du fichier csv voulu
    • Une fois les courbes fermées, entrer la valeur minimale à prendre en compte puis la valeur maximale à prendre en compte
      • /!\ Le nombre de ligne indiqué doit être un multiple du nombre de point minimal qui sera analysé /!\ => voir utils.py
      • Ne pas hésiter à modifier les valeurs jusqu'à avoir la section voulue
    • Quand la section est sélectionnée, écrire exit
    • Préciser au programme si l'analyse est un balancier 1 ou non 0
    • Un exemple de nom de fichier de sortie d'affiche, on peut accepter ou entrer un nouveau nom
  • Le nouveau fichier est enregistré dans le dossier output
  • Lancer le programme dataset_constructor.py
    • Une liste des csv dans le dossier output s'affiche
    • Prendre le numéro du csv que vous voulez ajouter au dataset
    • Après avoir fermé le visuel du csv, valider l'ajout au dataset
    • Répéter jusqu'à la complétion du dataset
    • Une fois compléter, écrire exit
    • Entrer le nom de votre dataset
  • Le dataset est enregistré dans le dossier datasets
  • Lancer le programmme model.py
    • Entrer le nom du dataset généré
    • Le programme génère le modèle
    • Une fois les courbes visualisée, on peut enregistrer le modèle en lui donnant un nom ou ne pas l'enregistrer
  • Le modèle est enregistré dans le dossier models
  • Lancer le programme visualize_model_performance.py
    • Entrer le ou les id des modèles pour lesquel on veut visualiser les performances
    • Le programme affiche la prédiction
    • Entrer exit pour quitter le programme
    • Entrer l'id du fichier csv à utiliser pour la prédiction