TP - Deep Learning : CNN, LSTM & Autoencodeur

📚 Objectifs

• Implémenter des modèles de deep learning (CNN, LSTM, Autoencodeur)
• Comparer leurs performances sur les datasets CIFAR-10 et MNIST
• Visualiser les courbes d’apprentissage, matrices de confusion et résultats de reconstruction

🧠 Contenu

Le TP est structuré en 3 parties :

1. CNN sur CIFAR-10
   Classification d’images avec un modèle convolutionnel optimisé.

2. Comparaison CNN vs RNN (LSTM) sur MNIST
   Étude comparative entre un modèle convolutionnel et un modèle récurrent.

3. Autoencodeur sur CIFAR-10
   Compression et reconstruction d’images à l’aide d’un autoencodeur.

🛠️ Technologies

• Python
• TensorFlow / Keras
• NumPy, Matplotlib, Seaborn
• Scikit-learn

📁 Structure du projet

• rapport_tp_deep_learning.pdf : Rapport complet du TP avec explications, codes et résultats
• cnn_cifar10.py : Implémentation du CNN sur CIFAR-10
• cnn_vs_rnn_mnist.py : Implémentation et comparaison des modèles CNN et LSTM sur MNIST
• autoencoder_cifar10.py : Implémentation de l’autoencodeur sur CIFAR-10