Quiz: Introduction aux réseaux de neurones profonds — 9 perguntas

1. Quelle affirmation correspond au sujet « Architecture et fonctionnement des réseaux multi-couches (DNN) » ?

A. Réseau multi-couche : Architecture de réseau de neurones caractérisée par plusieurs couches successives, définies par leur nombre et la taille de chacune, où chaque neurone d’une couche…

B. Ce théorème n’est pas constructif : il ne précise pas la structure exacte (nombre de couches, taille) du réseau nécessaire pour l’approximation

C. Le théorème d’approximation universelle affirme qu’une fonction continue et bornée peut être approchée avec une précision arbitraire par un réseau multicouche

D. Fonction continue et bornée : Fonction dont la valeur ne présente pas de discontinuités et reste limitée dans un intervalle fini

Answer: (A)

Explicação

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Réseau multi-couche : Architecture de réseau de neurones caractérisée par plusieurs couches successives, définies par leur nombre et la taille de chacune, où chaque neurone d’une couche….

2. Qu'est-ce qu'un réseau multi-couche ?

A. Une architecture de réseau caractérisée par son nombre et la taille de chaque couche

B. Un système où chaque neurone reçoit en entrée toutes les sorties de toutes les autres neurones

C. Un modèle utilisant uniquement des fonctions linéaires

D. Un réseau de neurones avec rétroaction entre les couches

Answer: (A)

Explicação

Un réseau multi-couche est défini par son nombre de couches et la taille de chacune, comme indiqué dans le passage.

3. Quelle affirmation correspond au sujet « Théorème d’approximation universelle des réseaux multicouches » ?

A. Un réseau multi-couche est caractérisé par son nombre de couches et la taille de chacune des couches

B. Fonction continue et bornée : Fonction dont la valeur ne présente pas de discontinuités et reste limitée dans un intervalle fini

C. Thierry Montaut : Enseignant associé à la formation sur les réseaux de neurones artificiels dans le cadre de la licence d’informatique à Champollion Albi

D. Réseau multi-couche : Architecture de réseau de neurones caractérisée par plusieurs couches successives, définies par leur nombre et la taille de chacune, où chaque neurone d’une couche…

Answer: (B)

Explicação

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Fonction continue et bornée : Fonction dont la valeur ne présente pas de discontinuités et reste limitée dans un intervalle fini.

4. En quelle année le théorème d’approximation universelle a-t-il été démontré par George Cybenko et Kurt Hornik ?

A. 1989

B. 2000

C. 1995

D. 1975

Answer: (A)

Explicação

Le texte indique que la démonstration du théorème par George Cybenko et Kurt Hornik a été réalisée en 1989.

5. Quelle est la définition de la propagation avant dans un perceptron multicouche avec fonctions sigmoïdes ?

A. C'est la phase d'entraînement où les poids sont ajustés pour réduire l'erreur.

B. C'est la phase où le réseau apprend à classer de nouvelles données.

C. C'est le processus de calcul des sorties de chaque couche en utilisant des formules matricielles et une fonction sigmoïde.

D. C'est le processus de rétropropagation pour ajuster les poids.

Answer: (C)

Explicação

La propagation avant est définie comme le processus de calcul des sorties de chaque couche en utilisant des formules matricielles et la fonction sigmoïde.

6. Qu'est-ce que la rétropropagation dans l'entraînement des réseaux de neurones ?

A. Un algorithme pour calculer les dérivées partielles de l’erreur couche par couche

B. Une méthode pour initialiser les poids du réseau

C. Une technique pour augmenter la vitesse d'apprentissage

D. Une procédure pour tester la précision du réseau

Answer: (A)

Explicação

La rétropropagation calcule efficacement les dérivées partielles de l’erreur couche par couche, de la dernière vers la première, permettant la mise à jour des paramètres par descente de gradient pour l’apprentissage.

7. Que représente l'exemple détaillé dans le calcul du gradient dans un réseau à une couche cachée ?

A. Une explication des fonctions d'activation utilisées dans les réseaux

B. Une démonstration de la convergence d'un algorithme d'apprentissage

C. Une comparaison entre différentes architectures de réseaux de neurones

D. Un exemple illustrant la propagation avant et la dérivation de l’erreur dans un réseau de neurones simple

Answer: (D)

Explicação

L'exemple illustre concrètement comment la propagation avant et la dérivation de l’erreur sont réalisées dans un réseau à une couche cachée, ce qui est essentiel pour le calcul du gradient.

8. Comment sont calculées les dérivées partielles dans la propagation des gradients à travers plusieurs couches d'un réseau de neurones ?

A. Elles sont constantes tout au long de l'entraînement

B. Elles sont calculées uniquement pour la couche de sortie

C. Elles sont indépendantes de celles des autres couches

D. Elles dépendent de celles de la couche suivante et utilisent la règle de la chaîne

Answer: (D)

Explicação

Les dérivées partielles d’une couche dépendent de celles de la couche suivante, utilisant la règle de la chaîne pour leur calcul, ce qui permet la propagation efficace des gradients dans tout le réseau.

9. En quelle année les travaux de Geoff Hinton ont-ils permis de surmonter l'obstacle majeur de l'entraînement des réseaux multicouches ?

A. 2000

B. 2015

C. 2010

D. 2006

Answer: (D)

Explicação

Les travaux de Geoff Hinton publiés en 2006 ont permis de dépasser les difficultés d'entraînement des réseaux multicouches.