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) ReLU (Rectified Linear Unit) B) Tanh (Tangente hyperbolique) C) Softmax D) Sigmoid
A) Mesurer la différence entre les prédictions du modèle et les valeurs réelles B) Choisir les caractéristiques à extraire C) Activer les neurones de sortie D) Optimiser le processus d'apprentissage
A) Pour stabiliser les poids du modèle B) Pour accélérer la convergence de l'apprentissage C) Pour ajouter de la non-linéarité au modèle D) Pour réduire la dimension des données
A) Réseaux de neurones artificiels (ANN) B) Réseaux adversariaux génératifs (GAN) C) Réseaux de neurones récurrents (RNN) D) Réseaux de neurones auto-encodeurs
A) Le nombre de couches cachées est insuffisant B) Le taux d'apprentissage est trop élevé C) Le modèle s'est trop adapté aux données d'apprentissage et ne se généralise pas bien aux nouvelles données D) Le modèle sous-estime les données d'entrée
A) Appliquer une fonction d'activation B) Corriger les prédictions erronées C) Extraire les caractéristiques visuelles 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 |