Quiz — Python Deep Learning.pdf

Question 1 sur 10 20:00

[{"id":9683,"question":"Quelle architecture de réseau de neurones est spécialement conçue pour traiter des données séquentielles comme le texte ou les séries temporelles ?","option_a":"Réseau de Neurones Convolutifs (CNN)","option_b":"Réseau de Neurones Récurrents (RNN)","option_c":"Perceptron Multi-Couche (MLP)","option_d":"Auto-encodeur","option_e":"","option_f":"","bonne_reponse":"b","explication":"Les RNN (Recurrent Neural Networks) sont adaptés aux données séquentielles grâce à leur capacité à mémoriser des informations passées, contrairement aux CNN ou MLP.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Réseau de Neurones Convolutifs (CNN)\", \"b\": \"Réseau de Neurones","_debug_options_count":4},{"id":9684,"question":"Vrai ou Faux ? La fonction d'activation ReLU (Rectified Linear Unit) permet d'éviter le problème de gradient vanishing dans les réseaux profonds.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"ReLU résout partiellement le problème de gradient vanishing en évitant la saturation des gradients, mais elle peut introduire le problème de 'neurones morts' (dead neurons).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":9685,"question":"Quel est l'objectif principal de la technique de 'Dropout' dans un réseau de neurones ?","option_a":"Augmenter la vitesse d'entraînement","option_b":"Réduire le surapprentissage (overfitting)","option_c":"Améliorer la précision sur les données d'entraînement","option_d":"Simplifier l'architecture du réseau","option_e":"","option_f":"","bonne_reponse":"b","explication":"Le Dropout consiste à désactiver aléatoirement des neurones pendant l'entraînement pour éviter que le réseau ne devienne trop dépendant de certaines caractéristiques, réduisant ainsi le surapprentissage.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Augmenter la vitesse d'entraînement\", \"b\": \"Réduire le surappre","_debug_options_count":4},{"id":9686,"question":"Vrai ou Faux ? Un réseau de neurones convolutif (CNN) utilise des noyaux (kernels) pour extraire des caractéristiques locales dans les images.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"C'est exact : les CNN appliquent des noyaux (kernels) pour détecter des motifs locaux dans les images, comme les bords ou les textures.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":9687,"question":"Quelle bibliothèque Python est principalement utilisée pour construire des modèles de deep learning de manière modulaire et flexible ?","option_a":"NumPy","option_b":"Pandas","option_c":"TensorFlow\/Keras","option_d":"Scikit-learn","option_e":"","option_f":"","bonne_reponse":"c","explication":"TensorFlow\/Keras permet de construire des modèles de deep learning de manière intuitive et modulaire, en combinant des couches (layers) pour créer des architectures complexes.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"c\", \"options\": {\"a\": \"NumPy\", \"b\": \"Pandas\", \"c\": \"TensorFlow\/Keras\", \"d\": \"Scikit-lear","_debug_options_count":4},{"id":9688,"question":"Vrai ou Faux ? Le 'Batch Normalization' est une technique qui normalise les entrées d'un réseau de neurones pour accélérer l'entraînement.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"Le Batch Normalization normalise les activations des couches intermédiaires pendant l'entraînement, ce qui stabilise et accélère la convergence du modèle.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":9689,"question":"Quel est le rôle de la fonction de perte (loss function) dans un réseau de neurones ?","option_a":"Mesurer la performance du modèle sur les données d'entraînement","option_b":"Calculer la différence entre les prédictions et les vraies valeurs","option_c":"Optimiser les paramètres du réseau via la rétropropagation","option_d":"Stocker les poids du réseau pendant l'entraînement","option_e":"","option_f":"","bonne_reponse":"b","explication":"La fonction de perte (ex: MSE, Cross-Entropy) quantifie l'erreur entre les prédictions du modèle et les vraies valeurs, guidant ainsi l'optimisation des paramètres.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Mesurer la performance du modèle sur les données d'entraînemen","_debug_options_count":4},{"id":9690,"question":"Vrai ou Faux ? Les Transformers sont une architecture de réseau de neurones qui repose uniquement sur des connexions récurrentes pour traiter les données séquentielles.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"Les Transformers n'utilisent pas de connexions récurrentes. Ils reposent sur le mécanisme d'attention (self-attention) pour capturer les dépendances entre les éléments d'une séquence, indépendamment de leur position.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":9691,"question":"Quelle technique permet de réduire la dimensionnalité des données tout en préservant leur structure, souvent utilisée avant l'entraînement d'un modèle de deep learning ?","option_a":"One-Hot Encoding","option_b":"PCA (Analyse en Composantes Principales)","option_c":"Feature Scaling","option_d":"Data Augmentation","option_e":"","option_f":"","bonne_reponse":"b","explication":"La PCA (Principal Component Analysis) est une technique de réduction de dimensionnalité qui transforme les données en un espace de moindre dimension tout en conservant la variance maximale.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"One-Hot Encoding\", \"b\": \"PCA (Analyse en Composantes Principales)","_debug_options_count":4},{"id":9692,"question":"Vrai ou Faux ? L'entraînement d'un modèle de deep learning nécessite toujours un jeu de données labellisées.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"Non, cela dépend du type d'apprentissage : supervisé (données labellisées), non supervisé (pas de labels), ou semi-supervisé (mélange des deux).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4}]