minot changes

l2_algorithmique3/arbres.tex

@@ -51,15 +51,15 @@ typedef enum type_parcours { PREFIXE, INFIXE, POSTFIXE } t_type_parcours;
  ****************************************/
 /* renvoie l'arbre dont la racine vaut val, avec les SA sag et sad */
 t_arbre creer_arbre(int val, t_arbre sag, t_arbre sad, t_arbre pere); 
-/* supprime le SA dont la racine est donnée en paramêtre  */
+/* supprime le SA dont la racine est donn\'ee en param\^etre  */
 int supprimer_arbre(t_arbre*);      
 t_arbre ajout_gauche(t_arbre, int);
 t_arbre ajout_droit(t_arbre, int);
 
 /****************************************
- * primitives d'accès à la structure de l'arbre
+ * primitives d'acc\`es \`a la structure de l'arbre
  ****************************************/
-t_arbre pere(t_arbre); /* renvoie le père s'il existe, NULL sinon */
+t_arbre pere(t_arbre); /* renvoie le p\`ere s'il existe, NULL sinon */
 t_arbre sag(t_arbre); /* renvoie le SA gauche s'il existe, NULL sinon */
 t_arbre sad(t_arbre); /* renvoie le SA droit s'il existe, NULL sinon */
 
@@ -67,7 +67,7 @@ t_arbre sad(t_arbre); /* renvoie le SA droit s'il existe, NULL sinon */
  * primitives de verification
  ****************************************/
 int arbre_vide(t_arbre);  /* renvoie vrai si arbre vide, faux sinon */
-int est_racine(t_arbre); /*renvoie vrai si le noeud n'a pas de père */
+int est_racine(t_arbre); /*renvoie vrai si le noeud n'a pas de p\`ere */
 int est_feuille(t_arbre); /*renvoie vrai si le noeud est une feuille */
 
 /****************************************

l2_algorithmique3/l2_algo3.tex

 \documentclass[12pt,a4paper,notitlepage]{article}
 
-\usepackage[francais,french]{babel}
+%\usepackage[francais,french]{babel}
 \usepackage{epsfig,graphicx,amssymb,enumerate,listings,fancyhdr}
-\usepackage[utf8x]{inputenc}
-\usepackage{lastpage}
+%\usepackage[utf8x]{inputenc}
+%\usepackage{lastpage}
 \usepackage{enumitem}
-\usepackage{url}
+%\usepackage{url}
 
 
 \setlength{\hoffset}{-18pt}         

m1_aan/mlp/m1_aan_mlp.tex

@@ -77,7 +77,8 @@
 \title[AAN - MLP]{Apprentissage Automatique Numérique \\ \large{Perceptron} \\ \large{Perceptron multi-couches}}
 
 \author[L. Barrault]{Loïc Barrault}
-\date{14 novembre 2016}
+%\date{14 novembre 2016}
+\date{}
 \institute[LIUM]{Laboratoire d'Informatique de l'Université du Maine (LIUM) \\
 	\it loic.barrault@univ-lemans.fr}
 

m1_aan/mlp/m1_aan_td2_mlp.tex

@@ -80,13 +80,16 @@ On dispose des points d'apprentissage suivants pour les classes~:
 On considère un classifieur à correction d'erreur qui parcourt les points
 dans l'ordre de façon séquentielle et qui modifie le vecteur normal dès qu'on
 rencontre un point mal classé. Après une correction, on recommence avec le
-premier point d'apprentissage.  Le vecteur initial vaut $(1, 0, 0)^t$.
+premier point d'apprentissage.  
+
+Le vecteur initial vaut $(1, 0, 0)^t$.
 
 \begin{enumerate}
 \item Dérouler l'algorithme. 
 En combien d'itérations l'algorithme converge-t-il ? (inférieur à 15)% 1pt \end{itemize}
 \item Calculer l'équation des frontières de décision et en déduire
            la règle de décision pour chacune des classes.
+\item Refaire la même chose avec un vecteur initial valant $(1, 2, 3)^t$. 
 \item Que se passe-t-il si on mélange les exemples en alternant les exemples de chaque classe ?
 \item Tracer sur une même figure les points d'apprentissage et la
            surface de décision.
@@ -105,15 +108,18 @@ Donner l'architecture d'un réseau de neurones pour cette tâche :
 Calculez des valeurs pour tous les poids, ainsi que les seuils.  
 On est bien sûr intéressé par les architectures les plus simples possibles.
 
-\vspace{\baselineskip}
-\centerline{
-  \includegraphics{FigProblemMLP}
-}
-
 \vspace{3\baselineskip}
 \centerline{
   \includegraphics{FigProblemMLP5}
+%}
+%
+%\vspace{\baselineskip}
+%\centerline{
+  \includegraphics{FigProblemMLP}
 }
+\vspace{3\baselineskip}
+\centerline{  \includegraphics{FigSpiral} }
+
 
 \end{document}
 

m1_aan/mlp/mlp.tex

 % !TEX root = m1_aan_mlp.tex
 
-\section*{MLP}
-\subsection*{Intro}
+%\section*{MLP}
+%\subsection*{Intro}
 
 \begin{frame}
 \frametitle{Motivation pour les perceptrons multi-couches}
@@ -81,7 +81,7 @@ de \mbox{$\R^n \rightarrow \R^m$}.
 
 
 
-\subsection*{Le perceptron multi-couches : apprentissage}
+%\subsection*{Le perceptron multi-couches : apprentissage}
 \begin{frame}
 \frametitle{Le perceptron multi-couches : apprentissage}
   
@@ -226,7 +226,7 @@ $\begin{array}[c]{rcl}
 \end{frame}
 
 
-\subsection*{Astuces}
+%\subsection*{Astuces}
 \begin{frame}
 \frametitle{Déroulement d'un apprentissage}