Cuestionario: Introduction aux réseaux neuronaux et leur optimisation — 9 preguntas

1. Qu'est-ce qu'un neurone artificiel dans le contexte des réseaux neuronaux ?

A. Un ensemble de couches de neurones interconnectés permettant de modéliser des relations complexes

B. Un algorithme d'apprentissage permettant d'ajuster les poids du réseau en fonction de l'erreur

C. Une fonction mathématique appliquée à la sortie d’un neurone pour introduire de la non-linéarité

D. Une unité de base du réseau simulant le comportement d’un neurone biologique, effectuant une somme pondérée des entrées suivie d’une fonction d’activation

Answer: (D)

Explicación

Un neurone artificiel est une unité de base dans un réseau neuronal, qui simule le comportement d’un neurone biologique en effectuant une somme pondérée des entrées, puis en appliquant une fonction d’activation pour produire une sortie.

2. Quelle est la fonction d'activation la plus couramment utilisée dans les réseaux neuronaux profonds pour éviter le problème de vanishing gradient ?

A. Sigmoïde

B. tanh

C. ReLU

D. fonction d'activation linéaire simple

Answer: (C)

Explicación

ReLU est la fonction d'activation la plus couramment utilisée dans les réseaux profonds car elle aide à atténuer le problème du gradient nulle arrivé avec la sigmoïde ou tanh sur de longues couches.

3. Quelle est la fonction principale de la fonction d'activation dans un réseau neuronal ?

A. Convertir les scores en probabilités pour la classification

B. Simplifier la structure du réseau en supprimant des neurones

C. Augmenter la vitesse de traitement du réseau

D. Introduire de la non-linéarité pour modéliser des relations complexes

Answer: (D)

Explicación

La fonction d'activation a pour rôle principal d'introduire de la non-linéarité dans le réseau, ce qui permet au modèle d'apprendre des relations complexes entre les données. Les autres options sont incorrectes : elle ne sert pas à augmenter la vitesse, simplifier la structure, ni à convertir directement en probabilités (ce dernier rôle étant celui de la softmax en sortie).

4. Quel est le rôle principal d’une fonction d’activation dans un neurone artificiel ?

A. Distribuer l'information de manière aléatoire

B. Introduire de la non-linéarité pour modéliser des relations complexes

C. Extraire des caractéristiques localisées dans l’entrée

D. Standardiser la sortie du neurone pour faciliter l’apprentissage

Answer: (B)

Explicación

La fonction d’activation introduit de la non-linéarité, ce qui permet au réseau d’apprendre des relations complexes, contrairement à une simple ligne droite.

5. En quoi la propagation et les calculs liés diffèrent-ils ou se ressemblent-ils ?

A. La propagation est un phénomène physique décrivant le déplacement d'une onde, tandis que les calculs sont des opérations mathématiques permettant de quantifier ce déplacement.

B. Les calculs de propagation sont effectués uniquement en laboratoire, alors que la propagation se produit uniquement dans la nature.

C. La propagation est un concept abstrait sans lien avec la physique, tandis que les calculs sont toujours basés sur des lois physiques.

D. La propagation concerne uniquement la transmission d'informations numériques, alors que les calculs sont liés à la physique des ondes.

Answer: (A)

Explicación

La propagation est un phénomène physique décrivant le déplacement d'une onde ou d'un signal dans un milieu, tandis que les calculs sont des opérations mathématiques permettant de quantifier ou de prévoir ce déplacement. La différence réside dans leur nature : la propagation est un phénomène réel, alors que les calculs sont des outils analytiques.

6. Quel type de réseau est principalement utilisé pour traiter des séquences comme le langage ou la reconnaissance vocale ?

A. Réseaux convolutifs (CNN)

B. Réseaux feedforward classiques

C. Réseaux récurrents (RNN)

D. Autoencodeurs

Answer: (C)

Explicación

Les réseaux récurrents (RNN) sont conçus pour traiter des données séquentielles, intégrant une mémoire à travers leurs connexions rétroactives.

7. Quelle est la caractéristique principale du réseau feedforward ?

A. L'information circule dans une seule direction, de l'entrée vers la sortie

B. Il comporte des connexions rétroactives permettant de traiter des séquences

C. Il est spécifiquement conçu pour traiter des images

D. Il entraîne la mémorisation d'informations sur long terme

Answer: (A)

Explicación

Un réseau feedforward circule l'information dans une seule direction, sans rétroactions, contrairement aux réseaux récurrents.

8. Parmi ces choix, quelles couches sont utilisés pour traiter des caractéristiques locales dans l’image ?

A. Couches entièrement connectées (dense)

B. Couches convolutives (CNN)

C. Couches récurrentes (RNN)

D. Couches de pooling densément connectées

Answer: (B)

Explicación

Les réseaux convolutifs utilisent des filtres pour détecter des caractéristiques locales dans les images, optimisant le traitement visuel.

9. Quelle technique est principalement utilisée pour ajuster les poids d’un réseau lors de l'apprentissage ?

A. L’algorithme de descente de gradient et la rétropropagation

B. Le clustering non supervisé

C. L’algorithme k-means

D. La réduction de dimension par PCA

Answer: (A)

Explicación

L'algorithme de descente de gradient, combiné avec la rétropropagation, est la méthode standard pour ajuster les poids en minimisant l’erreur.