diff --git a/TD/TD4/rn_regression-complet.py b/TD/TD4/rn_regression-complet.py
new file mode 100644
index 0000000000000000000000000000000000000000..0f685bf91165bb3d473c5b681a5a0ddd92b01b9d
--- /dev/null
+++ b/TD/TD4/rn_regression-complet.py
@@ -0,0 +1,346 @@
+import matplotlib.pyplot as plt
+import numpy as np
+
+def lecture_donnees(nom_fichier, delimiteur=','):
+ """ Lit le fichier contenant les données et renvoiee les matrices correspondant
+
+ Parametres
+ ----------
+ nom_fichier : nom du fichier contenant les données
+ delimiteur : caratère délimitant les colonne dans le fichier ("," par défaut)
+
+ Retour
+ -------
+ x : matrice des données de dimension [N, nb_var]
+ d : matrice contenant les valeurs de la variable cible de dimension [N, nb_cible]
+ N : nombre d'éléments
+ nb_var : nombre de variables prédictives
+ nb_cible : nombre de variables cibles
+
+ """
+
+ data = np.loadtxt(nom_fichier, delimiter=delimiteur)
+
+ nb_cible = 1
+ nb_var = data.shape[1] - nb_cible
+ N = data.shape[0]
+
+ x = data[:, :nb_var]
+ d = data[:, nb_var:].reshape(N,1)
+
+ return x, d, N, nb_var, nb_cible
+
+def normalisation(x):
+ """ Normalise les données par un centrage-réduction des variables prédictives
+
+ Parametres
+ ----------
+ X : matrice des données de dimension [N, nb_var]
+
+ avec N : nombre d'éléments et nb_var : nombre de variables prédictives
+
+ Retour
+ -------
+ X_norm : matrice des données centrées-réduites de dimension [N, nb_var]
+ mu : moyenne des variables de dimension [1,nb_var]
+ sigma : écart-type des variables de dimension [1,nb_var]
+
+ """
+
+ mu = np.mean(x, 0)
+ sigma = np.std(x, 0)
+ x_norm = (x - mu) / sigma
+
+ return x_norm, mu, sigma
+
+def decoupage_donnees(x,d,prop_val=0.2, prop_test=0.2):
+ """ Découpe les données initiales en trois sous-ensembles distincts d'apprentissage, de validation et de test
+
+ Parametres
+ ----------
+ x : matrice des données de dimension [N, nb_var]
+ d : matrice des valeurs cibles [N, nb_cible]
+ prop_val : proportion des données de validation sur l'ensemble des données (entre 0 et 1)
+ prop_test : proportion des données de test sur l'ensemble des données (entre 0 et 1)
+
+ avec N : nombre d'éléments, nb_var : nombre de variables prédictives, nb_cible : nombre de variables cibles
+
+ Retour
+ -------
+ x_app : matrice des données d'apprentissage
+ d_app : matrice des valeurs cibles d'apprentissage
+ x_val : matrice des données d'apprentissage
+ d_val : matrice des valeurs cibles d'apprentissage
+ x_test : matrice des données d'apprentissage
+ d_test : matrice des valeurs cibles d'apprentissage
+
+ """
+ assert prop_val + prop_test < 1.0
+
+ N = x.shape[0]
+ indices = np.arange(N)
+ np.random.shuffle(indices)
+ nb_val = int(N*prop_val)
+ nb_test = int(N*prop_test)
+ nb_app = N - nb_val - nb_test
+
+ x = x[indices,:]
+ d = d[indices,:]
+
+ x_app = x[:nb_app,:]
+ d_app = d[:nb_app,:]
+
+ x_val = x[nb_app:nb_app+nb_val,:]
+ d_val = d[nb_app:nb_app+nb_val,:]
+
+ x_test = x[N-nb_test:,:]
+ d_test = d[N-nb_test:,:]
+
+ return x_app, d_app, x_val, d_val, x_test, d_test
+
+def calcule_cout_mse(y, d):
+ """ Calcule la valeur de la fonction cout MSE (moyenne des différences au carré)
+
+ Parametres
+ ----------
+ y : matrice des données prédites
+ d : matrice des données réelles
+
+ Return
+ -------
+ cout : nombre correspondant à la valeur de la fonction cout (moyenne des différences au carré)
+
+ """
+
+ N = y.shape[1]
+ cout = np.square(y - d).sum() / 2 / N
+
+ return cout
+
+def passe_avant(x, W, b, activation):
+ """ Réalise une passe avant dans le réseau de neurones
+
+ Parametres
+ ----------
+ x : matrice des entrées, de dimension nb_var x N
+ W : liste contenant les matrices des poids du réseau
+ b : liste contenant les matrices des biais du réseau
+ activation : liste contenant les fonctions d'activation des couches du réseau
+
+ avec N : nombre d'éléments, nb_var : nombre de variables prédictives
+
+ Return
+ -------
+ a : liste contenant les potentiels d'entrée des couches du réseau
+ h : liste contenant les sorties des couches du réseau
+
+ """
+ h = [x]
+ a = []
+ for i in range(len(b)):
+ a.append( W[i].dot(h[i]) + b[i] )
+ h.append( activation[i](a[i]) )
+
+ return a, h
+
+def passe_arriere(delta_h, a, h, W, activation):
+ """ Réalise une passe arrière dans le réseau de neurones (rétropropagation)
+
+ Parametres
+ ----------
+ delta_h : matrice contenant les valeurs du gradient du coût par rapport à la sortie du réseau
+ a : liste contenant les potentiels d'entrée des couches du réseau
+ h : liste contenant les sorties des couches du réseau
+ W : liste contenant les matrices des poids du réseau
+ activation : liste contenant les fonctions d'activation des couches du réseau
+
+ Return
+ -------
+ delta_W : liste contenant les matrice des gradients des poids des couches du réseau
+ delta_b : liste contenant les matrice des gradients des biais des couches du réseau
+
+ """
+
+ delta_b = []
+ delta_W = []
+
+ for i in range(len(W)-1,-1,-1):
+
+ delta_a = delta_h * activation[i](a[i], True)
+
+ delta_b.append( delta_a.mean(1).reshape(-1,1) )
+ delta_W.append( delta_a.dot(h[i].T) )
+
+ delta_h = (W[i].T).dot(delta_a)
+
+ delta_b = delta_b[::-1]
+ delta_W = delta_W[::-1]
+
+ return delta_W, delta_b
+
+def sigmoide(z, deriv=False):
+ """ Calcule la valeur de la fonction sigmoide ou de sa dérivée appliquée à z
+
+ Parametres
+ ----------
+ z : peut être un scalaire ou une matrice
+ deriv : booléen. Si False renvoie la valeur de la fonction sigmoide, si True renvoie sa dérivée
+
+ Return
+ -------
+ s : valeur de la fonction sigmoide appliquée à z ou de sa dérivée. Même dimension que z
+
+ """
+
+ s = 1 / (1 + np.exp(-z))
+ if deriv:
+ return s * (1 - s)
+ else :
+ return s
+
+def lineaire(z, deriv=False):
+ """ Calcule la valeur de la fonction linéaire ou de sa dérivée appliquée à z
+
+ Parametres
+ ----------
+ z : peut être un scalaire ou une matrice
+ deriv : booléen. Si False renvoie la valeur de la fonction linéire, si True renvoie sa dérivée
+
+
+ Return
+ -------
+ s : valeur de la fonction linéaire appliquée à z ou de sa dérivée. Même dimension que z
+
+ """
+ if deriv:
+ return 1
+ else :
+ return z
+
+def relu(z, deriv=False):
+ """ Calcule la valeur de la fonction relu ou de sa dérivée appliquée à z
+
+ Parametres
+ ----------
+ z : peut être un scalaire ou une matrice
+ deriv : booléen. Si False renvoie la valeur de la fonction relu, si True renvoie sa dérivée
+
+ Return
+ -------
+ s : valeur de la fonction relu appliquée à z ou de sa dérivée. Même dimension que z
+
+ """
+
+ r = np.zeros(z.shape)
+ if deriv:
+ pos = np.where(z>=0)
+ r[pos] = 1.0
+ return r
+ else :
+ return np.maximum(r,z)
+
+
+# ===================== Partie 1: Lecture et normalisation des données =====================
+print("Lecture des données ...")
+
+x, d, N, nb_var, nb_cible = lecture_donnees("food_truck.txt")
+# x, d, N, nb_var, nb_cible = lecture_donnees("houses.txt")
+
+# Affichage des 10 premiers exemples du dataset
+print("Affichage des 10 premiers exemples du dataset : ")
+for i in range(0, 10):
+ print(f"x = {x[i,:]}, d = {d[i]}")
+
+# Normalisation des variables (centrage-réduction)
+print("Normalisation des variables ...")
+x, mu, sigma = normalisation(x)
+dmax = d.max()
+d = d / dmax
+
+# Découpage des données en sous-ensemble d'apprentissage, de validation et de test
+x_app, d_app, x_val, d_val, x_test, d_test = decoupage_donnees(x,d)
+
+# ===================== Partie 2: Apprentissage =====================
+
+# Choix du taux d'apprentissage et du nombre d'itérations
+alpha = 0.001
+nb_iters = 500
+couts_apprentissage = np.zeros(nb_iters)
+couts_validation = np.zeros(nb_iters)
+
+# Dimensions du réseau
+D_c = [nb_var, 5, 10, nb_cible] # liste contenant le nombre de neurones pour chaque couche
+activation = [relu, sigmoide, lineaire] # liste contenant les fonctions d'activation des couches cachées et de la couche de sortie
+
+# Initialisation aléatoire des poids du réseau
+W = []
+b = []
+for i in range(len(D_c)-1):
+ W.append(2 * np.random.random((D_c[i+1], D_c[i])) - 1)
+ b.append(np.zeros((D_c[i+1],1)))
+
+x_app = x_app.T # Les données sont présentées en entrée du réseau comme des vecteurs colonnes
+d_app = d_app.T
+
+x_val = x_val.T # Les données sont présentées en entrée du réseau comme des vecteurs colonnes
+d_val = d_val.T
+
+x_test = x_test.T # Les données sont présentées en entrée du réseau comme des vecteurs colonnes
+d_test = d_test.T
+
+for t in range(nb_iters):
+
+ #############################################################################
+ # Passe avant : calcul de la sortie prédite y sur les données de validation #
+ #############################################################################
+ a, h = passe_avant(x_val, W, b, activation)
+ y_val = h[-1] # Sortie prédite
+
+ ###############################################################################
+ # Passe avant : calcul de la sortie prédite y sur les données d'apprentissage #
+ ###############################################################################
+ a, h = passe_avant(x_app, W, b, activation)
+ y_app = h[-1] # Sortie prédite
+
+ ###########################################
+ # Calcul de la fonction perte de type MSE #
+ ###########################################
+ couts_apprentissage[t] = calcule_cout_mse(y_app,d_app)
+ couts_validation[t] = calcule_cout_mse(y_val,d_val)
+
+ ####################################
+ # Passe arrière : rétropropagation #
+ ####################################
+ delta_h = (y_app-d_app) # Pour la dernière couche
+ delta_W, delta_b = passe_arriere(delta_h, a, h, W, activation)
+
+ #############################################
+ # Mise à jour des poids et des biais ##### #
+ #############################################
+ for i in range(len(b)-1,-1,-1):
+ b[i] -= alpha * delta_b[i]
+ W[i] -= alpha * delta_W[i]
+
+print("Coût final sur l'ensemble d'apprentissage : ", couts_apprentissage[-1])
+print("Coût final sur l'ensemble de validation : ", couts_validation[-1])
+
+# Affichage de l'évolution de la fonction de cout lors de la rétropropagation
+plt.figure(0)
+plt.title("Evolution de le fonction de coût lors de la retropropagation")
+plt.plot(np.arange(couts_apprentissage.size), couts_apprentissage, label="Apprentissage")
+plt.plot(np.arange(couts_validation.size), couts_validation, label="Validation")
+plt.legend(loc="upper left")
+plt.xlabel("Nombre d'iterations")
+plt.ylabel("Coût")
+plt.show()
+
+# ===================== Partie 3: Evaluation sur l'ensemble de test =====================
+
+#######################################################################
+# Passe avant : calcul de la sortie prédite y sur les données de test #
+#######################################################################
+a, h = passe_avant(x_test, W, b, activation)
+y_test = h[-1] # Sortie prédite
+
+cout = calcule_cout_mse(y_test,d_test)
+print("Coût sur l'ensemble de test : ", cout)