Hugging Face's logo

Programming-Clem
/
Sitiaia

Model card Files
xet
Community

🧠 Sitiai

Framework Python léger pour créer et entraîner des IA simples

Python NumPy License Version

📖 Table des matières

🚀 Installation

Option 1: Depuis GitHub (Recommandé) 

# 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 

pip install git+https://github.com/clem27game/Sitiaia.git

Vérification de l'installation 

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 :

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 

# 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 :

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 

# 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 :

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 

# 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 

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 

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 

# 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 

# 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 

# 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 

# 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 

# 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 pour plus de détails.

👨‍💻 Auteur

Clemylia - Créateur de Sitiai

⭐ N'oubliez pas de donner une étoile si Sitiai vous aide ! ⭐

🐛 Reporter un Bug | 💡 Demander une Feature | 📖 Documentation

🛑 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.

Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support