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