https://github.com/aurelienpierre/meteo-python
https://github.com/aurelienpierre/meteo-python
Last synced: 10 months ago
JSON representation
- Host: GitHub
- URL: https://github.com/aurelienpierre/meteo-python
- Owner: aurelienpierre
- Created: 2025-06-16T17:25:17.000Z (12 months ago)
- Default Branch: master
- Last Pushed: 2025-06-22T14:44:31.000Z (12 months ago)
- Last Synced: 2025-07-06T16:11:39.804Z (11 months ago)
- Language: Python
- Size: 6.84 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
Ceci est le code source utilisé pour produire mon article [Le fantasme de l'IA qui déchante](https://dev.aurelienpierre.com/posts/sciences/le-fantasme-de-lia/)
## Installation des dépendances
Un environnement d'exécution Python >= 3.11 est requis. Installez les paquets Python nécessaires :
```
pip install scikit-learn numpy matplotlip
```
## Exécution
1. Générer la base de données synthétique : exécuter `python BaseDeDonnees.py`. Les enregistrements produits sont dans le fichier `results.csv` qui sera enregistré dans le répertoire courant.
2. Préparer les données : exécuter `python PreparationDonnees.py`. Les entrées/sortie des IA sont enregistrées dans deux fichiers, `X.joblib` et `y.joblib` qui seront enregistrés dans le répertoire courant. Les IA vont donc "résoudre l'équation" `X * M = y`, avec `M` le modèle, `X` un vecteur de dimension 6, et `y` un vecteur de dimension 1.
3. Entraîner les modèles : exécuter `python Model.py`. Les performances (temps de calcul et précision) sont affichées dans la sortie standard de la console, vous pouvez les rediriger vers un fichier en exécutant `python Model.py > runtime.log`. Chaque modèle est enregistré au format `.joblib` dans le répertoire courant si vous souhaitez les tester après entraînement.
4. Afficher l'arbre de décision et le nombre de nœuds : exécuter `python Graphes.py`