Projet de Recherche – Optimisation d’Hyperparamètres

<h2>�� Optimisation d'Hyperparamètres de Réseau Neuronal Convolutif par Algorithmes Métaheuristiques</h2><p dir="ltr"><br></p><h3>Aperçu de la Recherche</h3><p dir="ltr">Ce mémoire en informatique évalue et compare l'efficacité de deux algorithmes d'optimisation métaheuristiques — l'<b>Optimisation par Essaim de Particules (PSO)</b> et l'<b>Algorithme Génétique (GA)</b> — pour l'ajustement des hyperparamètres d'un réseau neuronal convolutif (CNN).</p><p dir="ltr">La question de recherche centrale est de déterminer <b>dans quelle mesure l'optimisation par essaim de particules est efficace par rapport à un algorithme génétique pour optimiser les hyperparamètres d'un réseau neuronal convolutif dans le contexte de la classification des types de couverture terrestre à partir d'images satellites</b>.</p><h3>Méthodologie et Contexte</h3><p><br></p><ul><li><b>Modèle et Tâche :</b> Un Réseau Neuronal Convolutif (CNN) est utilisé pour la tâche de <b>classification des types de couverture terrestre</b>.</li><li><b>Base de Données :</b> L'étude repose sur le jeu de données <b>EuroSAT</b>, composé d'images satellites Sentinel-2, comprenant 10 classes et 27 000 échantillons étiquetés.</li><li><b>Hyperparamètres Optimisés :</b> Les algorithmes PSO et GA ont été appliqués pour optimiser principalement le <b>taux d'apprentissage (learning rate)</b> et le <b>taux de dropout (dropout rate)</b> du CNN.</li><li><b>Architecture CNN :</b> Le modèle comprenait des couches de convolution (avec filtres 3×3 et fonction d'activation ReLU), des couches de pooling, une couche de <i>flattening</i>, une couche dense (ReLU) et une couche de sortie <i>softmax</i> pour la classification multiclasse</li></ul><h3>Principaux Résultats et Conclusion</h3><p dir="ltr">L'expérimentation a montré que la méthode d'<b>Optimisation par Essaim de Particules (PSO)</b> maintient une précision de validation supérieure à celle de l'Algorithme Génétique (GA) tout au long des générations. Les résultats suggèrent que <b>PSO pourrait être une méthode d'optimisation plus robuste et potentiellement plus effective que GA</b> pour l'ajustement des hyperparamètres dans ce contexte spécifique de classification d'images satellitaires.</p><h3>Code et Reproductibilité</h3><p dir="ltr">L’expérimentation décrite dans ce mémoire a été entièrement implémentée en Python à l’aide de TensorFlow et Keras, selon la méthodologie exposée dans le document.<br>Le code source complet, incluant l’architecture du réseau convolutif, les implémentations des algorithmes d’optimisation par <b>Essaim de Particules (PSO)</b> et <b>Algorithme Génétique (GA)</b>, ainsi que les scripts d’entraînement et d’analyse des résultats, est disponible sur GitHub :</p><p dir="ltr">�� <a href="https://github.com/mahouboy23/hyperparameter_optimization" rel="noopener" target="_new"><b>https://github.com/mahouboy23/hyperparameter_optimization</b></a></p>