A) Classer les données en catégories B) Effectuer une rétropropagation de l'erreur C) Fusionner les données en une seule D) Extraire des caractéristiques des données d'entrée
A) Softmax B) Tanh (Tangente hyperbolique) C) ReLU (Rectified Linear Unit) D) Sigmoid
A) Mesurer la différence entre les prédictions du modèle et les valeurs réelles B) Optimiser le processus d'apprentissage C) Choisir les caractéristiques à extraire D) Activer les neurones de sortie
A) Le modèle sous-estime les données d'entrée B) Le modèle s'est trop adapté aux données d'apprentissage et ne se généralise pas bien aux nouvelles données C) Le nombre de couches cachées est insuffisant D) Le taux d'apprentissage est trop élevé
A) Pour ajouter de la non-linéarité au modèle B) Pour accélérer la convergence de l'apprentissage C) Pour stabiliser les poids du modèle D) Pour réduire la dimension des données
A) Extraire les caractéristiques visuelles B) Appliquer une fonction d'activation C) Corriger les prédictions erronées D) Produire des probabilités pour chaque classe
A) Application de filtres aléatoires aux données B) Normalisation des intensités des pixels C) Réduction de la taille de l'image en sortie D) Ajout de zéros autour des bords de l'image pour préserver la taille de sortie
A) Réseaux de neurones artificiels (ANN) B) Réseaux adversariaux génératifs (GAN) C) Réseaux de neurones auto-encodeurs D) Réseaux de neurones récurrents (RNN) |