IA & Villes intelligentes

Un exemple pédagogique pour présenter les réseaux de neurones : on les comprend en les faisant fonctionner sous ses yeux, sur un cas concret, prévoir l’affluence d’une station de vélos en libre-service à partir de l’heure, du jour et de la météo.

Exemple de TP niveau Master Smart Cities, accessible aux grands débutants en IA — Disponible via webprofs.fr

L’approche

« Un réseau de neurones n’est pas une boîte noire magique : c’est une suite de calculs simples que l’on peut observer, vérifier à la main et remettre en question. Partir d’un problème concret de la ville, c’est donner du sens à chaque poids, chaque erreur, chaque correction. »

Une station de vélos est équipée de capteurs. À partir de cinq informations, le réseau apprend à prévoir si l’affluence sera faible, moyenne ou forte. L’animation montre chaque étape : les données qui entrent, les neurones qui s’allument, les scores qui en sortent, et l’erreur qui diminue pendant l’apprentissage.

Le problème : prévoir l’affluence

Un petit réseau 5 → 4 → 3, assez simple pour suivre chaque calcul, assez riche pour découvrir tout le vocabulaire de l’apprentissage.

📡
5 informations Heure, jour ouvré ou week-end, température, pluie, vent
🧠
Neurones cachés Ils combinent les informations (ex. « jour ouvré ET heure de pointe »)
🚲
3 scores Affluence faible, moyenne ou forte

Essayer l’animation

Choisissez une situation, cliquez sur « Apprendre », puis inventez vos propres situations avec les curseurs : un jour ouvré à midi, une tempête à l’heure de pointe…

💡 Un exemple pédagogique, pas un outil de prévision. La station de vélos sert de fil conducteur pour présenter le fonctionnement d’un réseau de neurones. Les données sont synthétiques et volontairement réduites (9 exemples d’apprentissage, 8 de test) afin que chaque calcul reste lisible.

Ouvrir la boîte noire

L’animation ne se contente pas de montrer un résultat : elle permet de vérifier chaque calcul et de toucher aux réglages du réseau.

🔍

Inspecter un neurone

Cliquer sur un neurone affiche son calcul complet : les produits valeur × poids, le biais, la somme z, puis la sigmoïde, avec la courbe et le point correspondant au cas étudié.

Somme pondérée · Biais · Sigmoïde
🎚️

Modifier un poids

Un curseur change la valeur d’une connexion sans entraîner le réseau : on voit aussitôt un neurone « voter pour » ou « contre » une classe, et les scores basculer.

Poids · Contribution · Softmax
📉

Apprentissage et test

9 exemples pour apprendre, 8 situations jamais vues pour vérifier. Deux courbes d’erreur montrent quand le réseau progresse vraiment, et quand il commence à surapprendre.

Généralisation · Surapprentissage
🎲

Architecture et hasard

2, 4 ou 8 neurones cachés, et un bouton « Autre départ » pour changer l’initialisation : ce qui varie d’un essai à l’autre, ce qui reste stable, et pourquoi un neurone n’a pas de rôle fixé à l’avance.

Initialisation · Hyperparamètres

Un TP en 15 questions

Un notebook Jupyter accompagne l’animation (2 h 30 à 3 h). Chaque question demande de manipuler la page et de noter des observations chiffrées. Les quatre premières parties se font sans écrire de code ; la dernière fait découvrir le même calcul en Python, pas à pas.

👀
Observer Scores, cycles, erreur −ln(p)
🧠
Comprendre Calcul d’un neurone, rôle des poids
🧪
Expérimenter Frontières, initialisation, architecture
⚖️
Esprit critique Surapprentissage, règle simple ou réseau ?
🐍
Sous le capot Rétropropagation en Python, puis Keras

Ce que les étudiants retiennent

✓
Le vocabulaire de l’apprentissage : propagation avant, perte, rétropropagation, gradient, époque, taux d’apprentissage
✓
La différence entre paramètres appris (poids, biais) et hyperparamètres choisis
✓
Pourquoi normaliser les données des capteurs avant de les donner au réseau
✓
Les limites d’un modèle : données trop peu nombreuses, situations absurdes, score élevé ne veut pas dire « le réseau sait »

Deux animations complémentaires

Le même outil, le réseau de neurones, vu sous deux angles différents.

🚲

Affluence d’une station de vélos

Un problème concret de la ville, des unités réelles (heures, °C, mm/h, km/h) et un réseau que l’on ouvre neurone par neurone. Idéal pour une première rencontre avec l’apprentissage.

Vous êtes ici
🧪

Réseau de neurones interactif

Classification de molécules saines ou toxiques : réglage des hyperparamètres, fonctions d’activation et frontière de décision. Pour aller plus loin.

Tester le réseau interactif →

Ressources

Animation :

reseau_velo_affluence.html · page autonome, fonctionne dans le navigateur, sans installation
Notebook Jupyter :

questionnaire_velo_affluence_etudiants.ipynb · 15 questions + bonus Keras
Technologies :

HTML / JavaScript · Python · NumPy · Keras · Jupyter
Pour aller plus loin :

Jeu de données réel « Bike Sharing » (UCI) · plusieurs milliers de relevés horaires
Licence :

Animation et TP © Didier Orlandi — webprofs.fr, sous licence Creative Commons BY-NC-SA 4.0. Libre réutilisation en classe en citant l’auteur ; usage commercial sur accord.

Télécharger le notebook → Télécharger l’animation →

Pour faire le TP hors ligne, placez les deux fichiers dans le même dossier.

Former vos étudiants ou vos équipes à l’IA ?

Animations interactives, notebooks de TP, formations sur mesure pour les villes intelligentes, la chimie ou d’autres domaines — parlons-en. Enseignant ? Le corrigé du TP est disponible sur demande.

Me contacter →