Scribd
Importer
56 vues4 pages

Application Q-Learning

Ce document présente une application de recommandation de films utilisant le Q-learning, composée d'un backend en Python avec Flask et d'un frontend en HTML/CSS. Le backend gère les données des films et l'algorithme Q-learning pour recommander des films basés sur les interactions des utilisateurs. Le frontend permet aux utilisateurs de demander des recommandations et d'afficher les films recommandés.

Transféré par

salomonmavungu11
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
56 vues4 pages

Application Q-Learning

Ce document présente une application de recommandation de films utilisant le Q-learning, composée d'un backend en Python avec Flask et d'un frontend en HTML/CSS. Le backend gère les données des films et l'algorithme Q-learning pour recommander des films basés sur les interactions des utilisateurs. Le frontend permet aux utilisateurs de demander des recommandations et d'afficher les films recommandés.

Transféré par

salomonmavungu11
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Voici un exemple simplifié d'une application de recommandation de films utilisant le Q-learning.

Le
projet se compose de deux parties : le backend en Python avec Flask et l'algorithme Q-learning, et le
frontend en HTML/CSS.

Backend (Flask + Q-learning)Installation des dépendances :pip install flask numpy pandasCode source
du backend :# [Link]

from flask import Flask, request, jsonify

import numpy as np

import pandas as pd

import random

app = Flask(__name__)

# Données fictives des films

movies = [

{'id': 1, 'title': 'Movie A', 'genre': 'Action'},

{'id': 2, 'title': 'Movie B', 'genre': 'Comedy'},

{'id': 3, 'title': 'Movie C', 'genre': 'Drama'},

# Ajoutez plus de films ici

# Initialisation de la table Q

q_table = [Link](

[Link]((len(movies), len(movies))),

columns=[movie['id'] for movie in movies],

index=[movie['id'] for movie in movies]

# Paramètres de l'algorithme Q-learning

alpha = 0.1 # Taux d'apprentissage

gamma = 0.9 # Facteur de discount

epsilon = 0.1 # Taux d'exploration


def choose_action(state):

if [Link]() < epsilon:

return [Link](movies)['id'] # Exploration

else:

return q_table.loc[state].idxmax() # Exploitation

def update_q_table(state, action, reward, next_state):

best_next_action = q_table.loc[next_state].idxmax()

q_table.loc[state, action] = q_table.loc[state, action] + alpha * (

reward + gamma * q_table.loc[next_state, best_next_action] - q_table.loc[state, action]

@[Link]('/recommend', methods=['POST'])

def recommend():

data = [Link]

user_id = data['user_id']

current_movie_id = data['current_movie_id']

reward = data['reward']

action = choose_action(current_movie_id)

update_q_table(current_movie_id, action, reward, action) # Mise à jour de la table Q

recommended_movie = next(movie for movie in movies if movie['id'] == action)

return jsonify(recommended_movie)

if __name__ == '__main__':

[Link](debug=True)

Frontend (HTML/CSS)Code source du frontend :<!DOCTYPE html>


<html lang="en">

<head>

<meta charset="UTF-8">

<meta name="viewport" content="width=device-width, initial-scale=1.0">

<title>Movie Recommender</title>

<style>

body {

font-family: Arial, sans-serif;

margin: 20px;

.movie {

margin-bottom: 20px;

</style>

</head>

<body>

<h1>Movie Recommender</h1>

<div id="movie-container"></div>

<button onclick="getRecommendation()">Get Recommendation</button>

<script>

const userId = 1; // Utilisateur fictif

function getRecommendation() {

fetch('/recommend', {

method: 'POST',

headers: {

'Content-Type': 'application/json'

},

body: [Link]({

user_id: userId,
current_movie_id: currentMovieId,

reward: [Link]([Link]() * 3) // Récompense aléatoire pour simplification

})

})

.then(response => [Link]())

.then(data => {

currentMovieId = [Link];

[Link]('movie-container').innerHTML = `

<div class="movie">

<h2>${[Link]}</h2>

<p>Genre: ${[Link]}</p>

</div>

`;

});

let currentMovieId = 1; // Film initial

getRecommendation();

</script>

</body>

</html>

Exécution du projetLancer le backend :python [Link]

Ouvrir le fichier HTML dans un navigateur : Ouvrez le fichier [Link] dans votre navigateur
préféré.

Vous aimerez peut-être aussi