--- license: mit --- # 🧠 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 ---
**⭐ 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)
🛑 **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.