Testez vos connaissances en Deep Learning avec Python

Question 1 sur 10 10:00

[{"id":58857,"question":"Quel est le rôle principal d'une fonction d'activation dans un réseau de neurones ?","option_a":"Linéariser les données d'entrée","option_b":"Introduire de la non-linéarité pour permettre l'apprentissage de motifs complexes","option_c":"Normaliser les poids du réseau","option_d":"Calculer la dérivée des erreurs","option_e":"","option_f":"","bonne_reponse":"B","explication":"Les fonctions d'activation (comme ReLU, Sigmoid) introduisent de la non-linéarité, essentielle pour modéliser des relations complexes entre les données.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58858,"question":"Quelle bibliothèque Python est principalement utilisée pour construire des réseaux de neurones profonds ?","option_a":"Pandas","option_b":"TensorFlow","option_c":"Scikit-learn","option_d":"Matplotlib","option_e":"","option_f":"","bonne_reponse":"B","explication":"TensorFlow est une bibliothèque open-source dédiée au Deep Learning, largement utilisée pour construire et entraîner des modèles de réseaux de neurones.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58859,"question":"La rétropropagation (backpropagation) sert à ajuster les poids du réseau en fonction des erreurs.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"A","explication":"La rétropropagation calcule les gradients des erreurs par rapport aux poids, permettant leur ajustement via des algorithmes comme la descente de gradient.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58860,"question":"Quel type de réseau de neurones est le plus adapté pour traiter des images ?","option_a":"Réseau de neurones convolutifs (CNN)","option_b":"Réseau de neurones récurrents (RNN)","option_c":"Perceptron multicouche (MLP)","option_d":"Réseau de Hopfield","option_e":"","option_f":"","bonne_reponse":"A","explication":"Les CNN (Convolutional Neural Networks) sont spécialement conçus pour extraire des caractéristiques spatiales des images grâce à des couches de convolution.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58861,"question":"Quelle métrique est couramment utilisée pour évaluer un modèle de classification binaire ?","option_a":"L'erreur quadratique moyenne (MSE)","option_b":"La précision (accuracy)","option_c":"Le coefficient de corrélation","option_d":"L'entropie croisée","option_e":"","option_f":"","bonne_reponse":"B","explication":"La précision (accuracy) mesure le pourcentage de prédictions correctes, mais d'autres métriques comme le rappel ou la F1-score sont aussi importantes selon le contexte.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58862,"question":"L'entraînement d'un réseau de neurones profond nécessite toujours un GPU.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"B","explication":"Bien qu'un GPU accélère considérablement l'entraînement, il est possible d'entraîner des modèles profonds sur un CPU, surtout pour des architectures simples ou des jeux de données réduits.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58863,"question":"Quel est l'objectif principal de la régularisation dans un réseau de neurones ?","option_a":"Augmenter la complexité du modèle","option_b":"Réduire le surapprentissage (overfitting) en limitant la complexité du modèle","option_c":"Accélérer la vitesse d'entraînement","option_d":"Normaliser les données d'entrée","option_e":"","option_f":"","bonne_reponse":"B","explication":"La régularisation (comme le dropout ou la pénalité L2) limite la complexité du modèle pour éviter qu'il ne mémorise les données d'entraînement au lieu de généraliser.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58864,"question":"Quelle couche est typiquement utilisée en sortie d'un réseau de neurones pour une tâche de classification à 3 classes ?","option_a":"Une couche avec 1 neurone et une fonction sigmoïde","option_b":"Une couche avec 3 neurones et une fonction softmax","option_c":"Une couche avec 3 neurones et une fonction ReLU","option_d":"Une couche avec 1 neurone et une fonction tanh","option_e":"","option_f":"","bonne_reponse":"B","explication":"Pour une classification à 3 classes, la couche de sortie utilise 3 neurones avec une fonction softmax, qui produit une distribution de probabilités sur les classes.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58865,"question":"L'optimiseur Adam combine les avantages de deux autres optimiseurs : RMSprop et Momentum.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"A","explication":"Adam (Adaptive Moment Estimation) combine les idées de RMSprop (adaptation des taux d'apprentissage) et de Momentum (utilisation des gradients précédents).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":58866,"question":"Quel est l'impact d'un taux d'apprentissage trop élevé lors de l'entraînement d'un réseau de neurones ?","option_a":"Le modèle converge plus rapidement vers la solution optimale","option_b":"Le modèle peut diverger et ne pas converger","option_c":"Les poids du réseau deviennent nuls","option_d":"La précision du modèle augmente systématiquement","option_e":"","option_f":"","bonne_reponse":"B","explication":"Un taux d'apprentissage trop élevé peut faire osciller les poids du réseau autour de l'optimum, empêchant la convergence ou même le faisant diverger.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0}]