Cuestionario: Introduction aux réseaux neuronaux et apprentissage profond — 10 preguntas

1. Qu'est-ce qu'un réseau neuronal en intelligence artificielle ?

A. Un ensemble de neurones biologiques connectés entre eux dans le cerveau.

B. Un algorithme de tri utilisé dans le traitement de données massives.

C. Une méthode d'optimisation pour ajuster les poids d'un modèle statistique.

D. Une structure composée de neurones artificiels organisés en couches, avec des connexions pondérées, qui effectue des calculs pour apprendre à partir de données.

Answer: (D)

Explicación

Un réseau neuronal est une structure composée de neurones artificiels organisés en couches, avec des connexions pondérées, qui effectue des calculs pour apprendre à partir de données. Il s'inspire du fonctionnement du cerveau biologique mais est constitué de composants numériques et mathématiques.

2. Quelle est la fonction principale de la rétropropagation dans l'apprentissage des réseaux neuronaux?

A. Calculer la sortie du réseau avec les entrées

B. Ajuster les poids en minimisant l'erreur de sortie

C. Définir la structure du réseau et le nombre de couches

D. Sélectionner la fonction d’activation appropriée

Answer: (B)

Explicación

La rétropropagation est essentielle pour l’apprentissage supervisé car elle permet d’ajuster efficacement les poids du réseau en propagant l'erreur de la sortie vers l’entrée, ce qui optimise la performance.

3. Quel est le rôle principal de la fonction d'activation dans un réseau neuronal ?

A. Introduire de la non-linéarité pour permettre l'apprentissage de relations complexes

B. Améliorer la compatibilité du modèle avec des données linéaires uniquement

C. Réduire la taille du réseau en supprimant certains neurones

D. Augmenter la vitesse de calcul en simplifiant les opérations mathématiques

Answer: (A)

Explicación

La fonction d'activation sert principalement à introduire de la non-linéarité dans le réseau, ce qui est essentiel pour que le modèle puisse apprendre des relations complexes entre les données.

4. Quel composant du réseau neuronal est inspiré du neurone biologique et effectue un calcul somme pondérée?

A. La couche d’entrée

B. Le neurone artificiel

C. La fonction d’activation

D. L’architecture du réseau

Answer: (B)

Explicación

Le neurone artificiel, inspiré du neurone biologique, reçoit des entrées, effectue une somme pondérée, puis applique une fonction d’activation.

5. En quoi la propagation avant et le calcul de sortie diffèrent-ils ou se ressemblent-ils dans le contexte des réseaux neuronaux ?

A. La propagation avant concerne uniquement la couche d'entrée, alors que le calcul de sortie concerne la couche de sortie.

B. La propagation avant est une étape d'entraînement, alors que le calcul de sortie se produit uniquement lors de l'inférence.

C. La propagation avant désigne le processus global de transmission des données à travers le réseau, tandis que le calcul de sortie est la valeur spécifique obtenue à la fin de ce processus.

D. La propagation avant et le calcul de sortie sont deux termes pour la même étape dans le processus de réseau neuronal.

Answer: (C)

Explicación

La propagation avant est le processus global qui consiste à transmettre les données à travers toutes les couches du réseau pour produire une sortie, tandis que le calcul de sortie est la valeur spécifique obtenue à la fin de la propagation. La première est une procédure, le second est le résultat de cette procédure.

6. Parmi les architectures suivantes, laquelle est particulièrement adaptée pour traiter des séquences ou des données temporelles?

A. Réseau feedforward

B. Réseau convolutif (CNN)

C. Réseau récurrent (RNN)

D. Transformer

Answer: (C)

Explicación

Les réseaux récurrents (RNN) sont conçus pour traiter des séquences ou des données temporelles grâce à leurs connexions rétrogrades.

7. Quelle fonction d’activation est souvent utilisée pour sa simplicité et sa capacité à introduire de la non-linéarité, notamment dans les couches cachées?

A. Sigmoid

B. ReLU

C. Tanh

D. Lineaire

Answer: (B)

Explicación

ReLU (Rectified Linear Unit) est très populaire car il est simple, efficace et favorise l'apprentissage profond en introduisant de la non-linéarité.

8. Quel est le principal inconvénient du fait d'augmenter la profondeur d’un réseau neuronal?

A. Il devient plus difficile à entraîner et augmente le risque de surapprentissage

B. Il ne permet pas d'apprendre des relations complexes

C. Il réduit la capacité du réseau à modéliser des fonctions non-linéaires

D. Il augmente la vitesse d’apprentissage de manière excessive

Answer: (A)

Explicación

Plus un réseau est profond, plus il peut modéliser des fonctions complexes, mais cela augmente aussi la difficulté à l’entraîner et le risque de surapprentissage.

9. L'introduction de non-linéarité dans un réseau neuronal est principalement réalisée par :

A. Les couches d’entrée

B. Les fonctions d’activation

C. La structure du réseau

D. L’algorithme de rétropropagation

Answer: (B)

Explicación

Les fonctions d’activation permettent d’introduire de la non-linéarité, ce qui est essentiel pour que le réseau puisse apprendre des relations complexes.

10. Qui est l’auteur de la méthode de rétropropagation, devenue un pilier de l’apprentissage supervisé?

A. Geoffrey Hinton

B. Paul Werbos

C. Yann LeCun

D. Andrew Ng

Answer: (B)

Explicación

Paul Werbos a introduit la méthode de rétropropagation dans les années 1970, qui est devenue incontournable pour l'apprentissage des réseaux neuronaux.