🧠 Projet IA – Reconnaissance de chiffres manuscrits avec CNN (MNIST)

Ce projet implémente un réseau de neurones convolutif (CNN) en utilisant TensorFlow / Keras pour reconnaître les chiffres manuscrits de la base de données MNIST.

Le modèle est capable d’atteindre une précision supérieure à 98%, et inclut des fonctionnalités de sauvegarde/chargement du modèle ainsi que la prédiction d'une image aléatoire du jeu de test.

---

📁 Structure du projet

.
├── model_mnist.h5       # (Créé automatiquement après l'entraînement)
├── main.py              # Script principal contenant le modèle et la logique
└── README.md            # Ce fichier

---

🔧 Fonctionnalités

• Téléchargement et prétraitement des données MNIST

• Construction d’un CNN avec deux couches convolutives

• Entraînement du modèle avec affichage de la précision

• Évaluation sur le jeu de test

• Sauvegarde automatique du modèle (.h5)

• Chargement du modèle déjà entraîné

• Prédiction d’une image aléatoire avec visualisation

• Graphique d’évolution de la précision sur les époques

---

🧠 Architecture du modèle

• Conv2D (32 filtres) + ReLU + MaxPooling2D

• Conv2D (64 filtres) + ReLU + MaxPooling2D

• Flatten

• Dense (128 neurones) + ReLU

• Dense (10 neurones) + Softmax

---

▶️ Lancer le projet

Prérequis

Assurez-vous d’avoir Python 3.x et les bibliothèques suivantes :

pip install tensorflow matplotlib numpy

Exécution

python main.py

• Si aucun modèle n’est détecté (model_mnist.h5), un entraînement sera lancé.

• Sinon, le modèle existant sera chargé automatiquement.

---

📊 Exemple de sortie

• Affichage de la précision sur les données de test :

  ✅ Accuracy sur les données de test : 98.75%
  

• Courbe d’évolution de l’accuracy sur les époques

• Affichage d’une image test aléatoire :

  Vrai : 7, Prédit : 7
  

---

💡 Idées d’améliorations

Voici quelques pistes pour rendre ce projet encore plus impressionnant :

• Ajouter Dropout pour éviter le surapprentissage

• Permettre l’entraînement sur GPU si disponible

• Tester sur le dataset Fashion-MNIST

• Sauvegarder et afficher la matrice de confusion

• Utiliser TensorBoard pour la visualisation

---

🏆 Objectif

Ce projet montre ta capacité à :

• Comprendre et implémenter un CNN de A à Z

• Gérer l'entraînement, l'évaluation et la persistance d’un modèle

• Visualiser les résultats et expliquer ton code proprement