CHAPITRE 2 : DEROULEMENT DU STAGE
Durant le stage, nous avons effectué des tâches
très diversifiées relevant de notre domaine de
compétence.
Tableau 2 : Tableau récapitulatif des
activités effectuer durant le stage
|
Activité effectuer
|
Courte description
|
Objectifs
|
|
Apprentissage de la technologie TensorFlow
|
Suivi de cours en ligne accompagner de séances
application.
|
Avoir les bases pour le Machine Learning.
|
|
Ajout de nouvelles fonctionnalités sur le fichier de
rapport de supervision de stage
|
- Ajout de liste déroulante; - Ajout de liste
dépendante.
|
- Faciliter la saisie;
- Eviter les erreurs de frappe;
- Faciliter la recherche.
|
|
Introduction aux tâches administratives
|
- Enregistrement des courriers; - Classification des documents; -
Contrôle des pièces requises pour les demandes;
|
Comprendre le
fonctionnement d'une administration
|
|
Déploiement de la plateforme de Gestion des TFE
|
Aménagement et mise en ligne de la plateforme
|
Permettre une meilleure traçabilité, communica-tion
et collaboration entre les acteurs impliqués.
|
|
Création d'une application web de gestion des rattrapages
et des reprises
|
- Avoir la liste des étudiants pour les rattrapages ou les
reprise; - Ajouter une note de rattrapage après la composition des
épreuves de rattrapage ou reprise.
|
- Centraliser et
automatiser le processus; - Simplifier les procédu-res
administratives;
- Faciliter le suivi et l'évaluation.
|
20
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
2.1 Apprentissage de la technologie TensorFlow 2.1.1
Présentation de la technologie
TensorFlow est une bibliothèque open-source
développée par Google pour l'apprentissage automatique (Machine
Learning) et l'intelligence artificielle (IA). Il offre un ensemble d'outils et
de ressources permettant de créer, d'entraîner et de
déployer des modèles d'apprentissage automatique à grande
échelle. TensorFlow est conçu pour être flexible,
évolutif et adapté aux besoins des chercheurs, des
ingénieurs et des développeurs. Il prend en charge diverses
architectures de modèles, telles que les réseaux de neurones
profonds, et fournit des fonctionnalités avancées pour la gestion
des données, la construction des graphiques de calcul, l'optimisation
des performances et la distribution des tâches sur plusieurs dispositifs.
TensorFlow est devenu une référence dans le domaine de
l'apprentissage automatique, offrant une large communauté de
développeurs et de nombreuses ressources pour faciliter l'apprentissage
et l'utilisation de cette puissante bibliothèque.
2.1.2 Processus d'apprentissage
a. Les bases de l'apprentissage automatique: familiarisation
avec les concepts fondamentaux de l'apprentissage automatique, tels que les
algorithmes d'apprentissage supervisé et non supervisé, la
régression, la classification, et les réseaux neuronaux. Ensuite
nous sommes passés à la prise en main des principes de base de la
construction de modèles prédictifs à partir des
données.
b. Les principes de TensorFlow : exploitation de la
documentation officielle de TensorFlow pour comprendre son architecture, ses
fonctionnalités et sa syntaxe. Prise en main des concepts clés
tels que les tenseurs, les opérations, les variables, et les graphes de
calcul.
c. Installation de l'environnement TensorFlow : suivi des
instructions pour installer TensorFlow sur un système d'exploitation.
Utilisation de
21
Réalisé et soutenu par Sabin ASSOGBA et Mario
LIGAN
TensorFlow avec Python, après la mise à jour
vers la version appropriée de Python installée sur nos
machines.
d. Tutoriel d'apprentissage : suivi et exécution des
codes de tutoriel, modification des paramètres et observation des
résultats. Les tutoriels couvrent généralement des sujets
tels que la classification d'objet ou la prédiction de séries
chronologiques.
Figure 4. Image montrant des statistiques de performance
des modèles Source : (Réalisation personnelle,
2023)
| 
