Upload README-5.md

README-5.md

@@ -0,0 +1,422 @@
+
+# 🧠 Sitiai
+
+> **Framework Python léger pour créer et entraîner des IA simples**
+
+[![Python](https://img.shields.io/badge/Python-3.11%2B-blue.svg)](https://python.org)
+[![NumPy](https://img.shields.io/badge/NumPy-2.3.3%2B-orange.svg)](https://numpy.org)
+[![License](https://img.shields.io/badge/License-MIT-green.svg)](LICENSE)
+[![Version](https://img.shields.io/badge/Version-0.1.0-red.svg)](pyproject.toml)
+
+---
+
+## 📖 Table des matières
+
+- [🚀 Installation](#-installation)
+- [✨ Fonctionnalités](#-fonctionnalités)
+- [🤖 IA Génératives](#-ia-génératives)
+- [📊 IA de Prédiction Linéaire](#-ia-de-prédiction-linéaire)
+- [🧬 Couches de Neurones SitiNEUR](#-couches-de-neurones-sitinetur)
+- [📚 Exemples Complets](#-exemples-complets)
+- [⚙️ Configuration Avancée](#️-configuration-avancée)
+- [🔧 API Reference](#-api-reference)
+- [📝 Licence](#-licence)
+
+---
+
+## 🚀 Installation
+
+### Option 1: Depuis GitHub (Recommandé)
+
+```bash
+# Cloner le repository
+git clone https://github.com/clem27game/Sitiaia.git
+cd Sitiaia
+
+# Installer les dépendances
+pip install numpy>=2.3.3
+
+# Installer le package en mode développement
+pip install -e .
+```
+
+### Option 2: Installation directe
+
+```bash
+pip install git+https://github.com/clem27game/Sitiaia.git
+```
+
+### Vérification de l'installation
+
+```python
+import Sitiaia
+print(f"Sitiai version: {sitiaia.__version__}")
+# Output: Sitiaia version: 0.1.0
+```
+
+---
+
+## ✨ Fonctionnalités
+
+| Fonctionnalité | Description | Status |
+|----------------|-------------|--------|
+| 🎨 **IA Génératives** | Génération de noms, textes, contenus | ✅ |
+| 📈 **IA de Prédiction** | Régression linéaire et non-linéaire | ✅ |
+| 🧠 **Couches Neuronales** | API simple inspirée de PyTorch | ✅ |
+| 🔥 **Activations** | ReLU, Sigmoid, Tanh, Linear | ✅ |
+| 📦 **Léger** | Seulement NumPy comme dépendance | ✅ |
+| 🎓 **Éducatif** | Code clair et accessible | ✅ |
+
+---
+
+## 🤖 IA Génératives
+
+### 🏷️ Générateur de Noms
+
+Créez des IA capables de générer des noms originaux à partir d'exemples :
+
+```python
+import sitiai
+
+# 1. Créer une IA générative
+ai = sitiai.create.ai('generative', mode='name_generator')
+
+# 2. Charger vos données d'exemples
+noms_francais = [
+    "Alexandre", "Sophie", "Marie", "Pierre", "Julien",
+    "Camille", "Lucas", "Emma", "Hugo", "Léa"
+]
+ai.load_data(noms_francais)
+
+# 3. Entraîner le modèle
+ai.train(epochs=100)
+
+# 4. Générer de nouveaux noms
+nouveau_nom = ai.generate()
+print(f"Nouveau nom: {nouveau_nom}")
+
+# 5. Générer plusieurs noms avec créativité
+noms_creatifs = ai.generate_batch(n=5, temperature=0.8)
+for nom in noms_creatifs:
+    print(f"✨ {nom}")
+```
+
+### 🎛️ Contrôler la créativité
+
+```python
+# Faible créativité (plus proche des exemples)
+noms_conservateurs = ai.generate_batch(n=3, temperature=0.3)
+
+# Haute créativité (plus original)
+noms_originaux = ai.generate_batch(n=3, temperature=1.5)
+```
+
+---
+
+## 📊 IA de Prédiction Linéaire
+
+### 📈 Régression Simple
+
+Créez des modèles de prédiction pour vos données numériques :
+
+```python
+import sitiai
+import numpy as np
+
+# 1. Préparer vos données
+# Exemple: prédire le prix d'une maison selon surface, chambres, âge
+X_train = np.array([
+    [100, 3, 5],   # 100m², 3 chambres, 5 ans
+    [80, 2, 10],   # 80m², 2 chambres, 10 ans
+    [120, 4, 2],   # 120m², 4 chambres, 2 ans
+    # ... plus de données
+])
+y_train = np.array([250000, 180000, 320000])  # Prix en euros
+
+# 2. Créer une IA de prédiction
+ai = sitiai.create.ai(
+    'linear', 
+    input_size=3,      # 3 caractéristiques
+    output_size=1,     # 1 prédiction (prix)
+    hidden_layers=[16, 8]  # Couches cachées
+)
+
+# 3. Entraîner le modèle
+ai.train(X_train, y_train, epochs=200, learning_rate=0.01)
+
+# 4. Faire des prédictions
+nouvelle_maison = np.array([[90, 2, 7]])  # 90m², 2 chambres, 7 ans
+prix_predit = ai.predict(nouvelle_maison)
+print(f"Prix prédit: {prix_predit[0, 0]:.0f}€")
+```
+
+### 📊 Évaluation du modèle
+
+```python
+# Évaluer sur des données de test
+X_test = np.array([[110, 3, 3], [75, 2, 15]])
+y_test = np.array([280000, 150000])
+
+mse, r2 = ai.evaluate(X_test, y_test)
+print(f"Erreur quadratique: {mse:.2f}")
+print(f"Score R²: {r2:.3f}")
+```
+
+---
+
+## 🧬 Couches de Neurones SitiNEUR
+
+### 🔗 Utilisation Directe
+
+Pour un contrôle fin, utilisez directement les couches neuronales :
+
+```python
+from sitiai import SitiNEUR
+import numpy as np
+
+# Créer une couche de neurones
+layer = SitiNEUR(
+    input_size=10, 
+    output_size=5, 
+    activation='relu'
+)
+
+# Données d'entrée (batch de 3 exemples)
+input_data = np.random.randn(3, 10)
+
+# Propagation avant
+output = layer.forward(input_data)
+print(f"Forme d'entrée: {input_data.shape}")
+print(f"Forme de sortie: {output.shape}")
+```
+
+### 🔄 Entraînement Manuel
+
+```python
+# Simulation d'un gradient
+grad_output = np.random.randn(3, 5)
+
+# Rétropropagation
+grad_input = layer.backward(grad_output, learning_rate=0.01)
+print(f"Gradient d'entrée: {grad_input.shape}")
+```
+
+---
+
+## 📚 Exemples Complets
+
+### 🎯 Exemple 1: Prédiction de Température
+
+```python
+import sitiai
+import numpy as np
+
+# Données: [humidité, pression, vent] -> température
+X = np.random.randn(1000, 3)
+y = 20 + 2*X[:, 0] - 0.5*X[:, 1] + 0.1*X[:, 2] + np.random.randn(1000)*2
+
+# Séparer train/test
+split = 800
+X_train, X_test = X[:split], X[split:]
+y_train, y_test = y[:split], y[split:]
+
+# Créer et entraîner le modèle
+ai = sitiai.create.ai('linear', input_size=3, output_size=1)
+ai.train(X_train, y_train, epochs=150, verbose=True)
+
+# Évaluer
+mse, r2 = ai.evaluate(X_test, y_test)
+print(f"🌡️ Précision du modèle météo: R² = {r2:.3f}")
+```
+
+### 🏷️ Exemple 2: Générateur de Marques
+
+```python
+import sitiai
+
+# Noms de marques technologiques
+marques_tech = [
+    "Google", "Apple", "Microsoft", "Amazon", "Meta",
+    "Tesla", "Netflix", "Spotify", "Adobe", "Oracle"
+]
+
+# Créer l'IA
+brand_ai = sitiai.create.ai('generative', mode='name_generator')
+brand_ai.load_data(marques_tech)
+brand_ai.train(epochs=150)
+
+# Générer de nouvelles marques
+print("🚀 Nouvelles marques générées:")
+for i, marque in enumerate(brand_ai.generate_batch(n=5), 1):
+    print(f"   {i}. {marque}")
+```
+
+---
+
+## ⚙️ Configuration Avancée
+
+### 🔧 Paramètres d'Entraînement
+
+```python
+# Configuration fine pour LinearAI
+ai = sitiai.create.ai('linear', input_size=5, output_size=1, hidden_layers=[32, 16, 8])
+
+ai.train(
+    X_train, y_train,
+    epochs=300,           # Nombre d'époques
+    learning_rate=0.001,  # Taux d'apprentissage
+    batch_size=32,        # Taille des mini-batches
+    verbose=True          # Affichage des logs
+)
+```
+
+### 🎨 Paramètres Génératifs
+
+```python
+# Configuration pour GenerativeAI
+ai = sitiai.create.ai('generative', mode='name_generator')
+ai.load_data(data)
+ai.train(epochs=200, ngram_size=3)  # Trigrammes au lieu de bigrammes
+
+# Génération avec contrôle
+result = ai.generate(
+    max_length=15,      # Longueur maximale
+    temperature=1.2     # Créativité
+)
+```
+
+---
+
+## 🔧 API Reference
+
+### 📋 Fonctions d'Activation Supportées
+
+| Activation | Formule | Usage |
+|------------|---------|--------|
+| `'relu'` | `max(0, x)` | Couches cachées (défaut) |
+| `'sigmoid'` | `1/(1+e^(-x))` | Classification binaire |
+| `'tanh'` | `tanh(x)` | Données centrées |
+| `'linear'` | `x` | Couche de sortie |
+
+### 🏗️ Architecture des Modèles
+
+```python
+# LinearAI avec architecture personnalisée
+ai = sitiai.create.ai(
+    'linear',
+    input_size=10,           # Taille d'entrée
+    output_size=1,           # Taille de sortie
+    hidden_layers=[64, 32, 16]  # Couches cachées
+)
+
+# Structure résultante: 10 -> 64 -> 32 -> 16 -> 1
+print(ai)  # Affiche l'architecture
+```
+
+### 📊 Métriques d'Évaluation
+
+```python
+# Obtenir les métriques détaillées
+predictions = ai.predict(X_test)
+mse, r2 = ai.evaluate(X_test, y_test)
+
+# Calculs manuels
+mae = np.mean(np.abs(predictions - y_test))  # Erreur absolue moyenne
+print(f"MAE: {mae:.4f}")
+```
+
+---
+
+## 🎓 Utilisation Éducative
+
+Sitiai est parfait pour :
+
+- 📚 **Apprentissage** des concepts de ML
+- 🔬 **Prototypage** rapide d'idées
+- 🎯 **Projets étudiants** en IA
+- 🚀 **Applications légères** sans complexité
+
+### 💡 Exemple pour Débutants
+
+```python
+# Super simple: prédire y = 2x + 1
+import sitiai
+import numpy as np
+
+# Données simples
+X = np.array([[1], [2], [3], [4], [5]])
+y = np.array([3, 5, 7, 9, 11])  # y = 2x + 1
+
+# Créer et entraîner
+ai = sitiai.create.ai('linear', input_size=1, output_size=1)
+ai.train(X, y, epochs=100)
+
+# Tester
+test_x = np.array([[6]])
+prediction = ai.predict(test_x)
+print(f"Pour x=6, y prédit = {prediction[0,0]:.1f}")  # Devrait être ~13
+```
+
+---
+
+## 🤝 Contribution
+
+Envie de contribuer ? Voici comment :
+
+1. 🍴 Fork le repository
+2. 🌿 Créez une branche pour votre feature
+3. ✏️ Commitez vos changements
+4. 📤 Push vers la branche
+5. 🔄 Ouvrez une Pull Request
+
+---
+
+## 📝 Licence
+
+Ce projet est sous licence MIT. Voir le fichier [LICENSE](LICENSE) pour plus de détails.
+
+---
+
+## 👨‍💻 Auteur
+
+**Clemylia** - Créateur de Sitiai
+
+---
+
+<div align="center">
+
+**⭐ N'oubliez pas de donner une étoile si Sitiai vous aide ! ⭐**
+
+[🐛 Reporter un Bug](https://github.com/clemylia/sitiai/issues) | [💡 Demander une Feature](https://github.com/clem27game/sitiaia/issues) | [📖 Documentation](https://github.com/clem27game/sitiaia)
+
+</div>
+
+🛑 **Attention** : Remplacez sitiai par Sitiaia dans les codes pour que la version obtenu avec le repos github fonctionne
+
+**Exemple de code pour sauvegarder votre modèle dans un fichier npz** :
+
+```
+import Sitiaia
+import numpy as np
+
+# Create a simple AI (e.g., a linear AI)
+simple_ai = Sitiaia.create.ai('linear', input_size=2, output_size=1)
+
+# You might want to train it first, but for saving, just creating it is enough
+# X_train = np.random.randn(10, 2)
+# y_train = np.random.randn(10, 1)
+# simple_ai.train(X_train, y_train, epochs=10)
+
+# Save the AI weights to a .npz file
+filename = 'simple_ai_model.npz'
+simple_ai.save_weights(filename)
+
+print(f"Simple AI saved to {filename}")
+
+# You can optionally load the weights back to verify
+# loaded_ai = Sitiaia.create.ai('linear', input_size=2, output_size=1)
+# loaded_ai.load_weights(filename)
+# print(f"Simple AI loaded from {filename}")
+```
+
+Pour plus d'informations et d'exemples, consulter les fichiers Demo.py et example_save_load.py.