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