From f139b596f0b9ab0699275bee7ede2c4b7692db05 Mon Sep 17 00:00:00 2001
From: Sucio <esteban.cosserat@gmail.com>
Date: Sun, 22 Oct 2023 17:38:21 +0200
Subject: [PATCH] test

---
 Rapport.ipynb | 4 +++-
 1 file changed, 3 insertions(+), 1 deletion(-)

diff --git a/Rapport.ipynb b/Rapport.ipynb
index 9ee8399..1f3adfb 100644
--- a/Rapport.ipynb
+++ b/Rapport.ipynb
@@ -4,11 +4,11 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n",
     "<h1>Classification d'Images</h1>\n",
     "<p><a href=\"https://gitlab.ec-lyon.fr/edelland/mod_4_6-td1\">Énoncé du TD</a>.</p>\n",
     "<h2>Introduction</h2>\n",
     "<p>Ce TD a pour objectif d'appliquer les méthodes de classification abordées en cours. Nous allons travailler sur la base de données <a href=\"https://www.cs.toronto.edu/~kriz/cifar.html\">CIFAR-10</a>. Dans un premier temps, nous mettrons en œuvre la classification par les k-plus proches voisins en utilisant la distance euclidienne. Ensuite, nous explorerons la classification à l'aide de réseaux de neurones. Pour chaque méthode, nous évaluerons le taux de réussite.</p>\n",
+    "<p>Afin que ce document puisse rester interactif, les fonctions longues à exécuter ont été désactivées et les résultats sont fournis manuellement.</p>\n",
     "<h2>Importation des Données</h2>\n",
     "<p>Nous importons les bibliothèques nécessaires pour charger et traiter les fichiers.</p>"
    ]
@@ -394,6 +394,8 @@
    "metadata": {},
    "source": [
     "<p><img alt=\"Image\" title=\"icon\" src=\"result/knn_1_20_valid_10test.png\" /></p>\n",
+    "![result/knn_1_20_valid_10test.png](result/knn_1_20_valid_10test.png)\n",
+    "\n",
     "<p>On remarque une chute à k=2, cette chute est due à l'introduction d'un nouveau label parmi les choix possibles. L'algorithme développé ne traite pas la situation où dans ses k plus proches voisins, deux labels apparaissent le même nombre de fois, et il choisit naturellement le plus petit des deux.</p>\n",
     "<p>Pour réduire les erreurs lorsque deux labels apparaissent le même nombre de fois parmi les k plus proches voisins, l'algorithme ci-dessous choisira celui des deux dont la somme des distances est la plus petite.</p>"
    ]
-- 
GitLab