Évaluation sur l'apprentissage profond

Qu'est-ce qu'un réseau de neurones ?

• Un réseau de neurones est un type de plante.

• Un réseau de neurones est un logiciel de traitement de texte.

• Un réseau de neurones est un système de transport.

• Un réseau de neurones est un modèle computationnel utilisé en intelligence artificielle pour traiter des données.

Quels sont les principaux composants d'un réseau de neurones ?

• Les neurones, les algorithmes, les données, les serveurs

• Les principaux composants d'un réseau de neurones sont les neurones, les couches, les poids, les biais et les fonctions d'activation.

• Les neurones, les couches, les circuits, les protocoles

• Les neurones, les couches, les graphiques, les modèles

Définissez l'apprentissage supervisé.

• L'apprentissage supervisé est une méthode d'apprentissage sans retour d'information.

• L'apprentissage supervisé utilise des données non étiquetées pour entraîner un modèle.

• L'apprentissage supervisé est une méthode d'apprentissage automatique utilisant des données étiquetées pour entraîner un modèle.

• L'apprentissage supervisé consiste à apprendre sans utiliser de données.

Quels types de problèmes l'apprentissage supervisé peut-il résoudre ?

• Réduction de dimension et normalisation

• Classification et régression.

• Clustering et association

• Séries temporelles et analyse de sentiments

Qu'est-ce que la rétropropagation dans le contexte des réseaux de neurones ?

• La rétropropagation est un algorithme d'apprentissage pour ajuster les poids des réseaux de neurones en minimisant l'erreur de prédiction.

• La rétropropagation est un algorithme de tri pour les données.

• La rétropropagation est un type de réseau de neurones.

• La rétropropagation est une méthode de classification des données.

Comment la rétropropagation améliore-t-elle l'apprentissage d'un modèle ?

• La rétropropagation améliore l'apprentissage en ajustant les poids du modèle pour minimiser l'erreur de prédiction.

• La rétropropagation ne modifie pas les poids du modèle pendant l'apprentissage.

• La rétropropagation augmente la taille du modèle sans affecter l'apprentissage.

• La rétropropagation remplace les données d'entrée par des valeurs aléatoires.

Quelles sont les fonctions d'activation les plus courantes ?

• Sigmoïde, tanh, ReLU, Leaky ReLU, softmax.

• Swish

• Gaussian

• Binary Step

Pourquoi utilise-t-on des fonctions d'activation dans les réseaux de neurones ?

• Pour augmenter la vitesse d'apprentissage du modèle.

• Pour normaliser les entrées du réseau de neurones.

• Pour réduire la complexité des calculs dans le réseau.

• On utilise des fonctions d'activation pour introduire de la non-linéarité dans les réseaux de neurones.

Qu'est-ce que le surapprentissage ?

• Le surapprentissage est un processus d'évaluation des performances d'un modèle.

• Le surapprentissage se produit lorsque les données d'entraînement sont insuffisantes.

• Le surapprentissage est un phénomène où un modèle s'adapte trop étroitement aux données d'entraînement, perdant ainsi sa capacité à bien performer sur des données non vues.

• Le surapprentissage est une technique d'optimisation des modèles.

Quels sont les signes de surapprentissage dans un modèle ?

• Signes de surapprentissage : performance élevée sur les données d'entraînement, faible performance sur les données de test, augmentation de l'erreur de validation, fluctuations des métriques de performance.

• Performance élevée sur les données de test

• Faible erreur sur les données d'entraînement

• Stabilité des métriques de performance