QCM : Introduction à la programmation — 6 questions

Questions et réponses du QCM

1. Quel est le rôle principal de la propagation avant dans un réseau de neurones artificiels?

Calculer la sortie du réseau en passant par chaque couche, en utilisant les poids et fonctions d'activation.
Ajuster les poids du réseau pour minimiser l'erreur.
Calculer la fonction de coût à partir de la sortie.
Normaliser les données d'entrée pour éviter le surapprentissage.

Calculer la sortie du réseau en passant par chaque couche, en utilisant les poids et fonctions d'activation.

Explication

La propagation avant sert à calculer la sortie du réseau à partir des entrées, en passant par chaque couche avec les poids et fonctions d'activation. Elle ne concerne pas l'ajustement des poids, qui se fait lors de la rétropropagation.

2. Quelle technique est utilisée pour ajuster les poids lors de la rétropropagation?

La méthode de la chaîne.
La méthode du gradient descent.
La normalisation des entrées.
L'optimisation par validation croisée.

La méthode du gradient descent.

Explication

La rétropropagation utilise la méthode du gradient descent pour ajuster les poids en fonction des gradients calculés. La règle de la chaîne est utilisée pour calculer ces gradients, mais ce n'est pas la méthode d'ajustement elle-même.

3. Quel phénomène se produit lorsque le modèle s'adapte trop précisément aux données d'entraînement, perdant sa capacité à généraliser?

Le surapprentissage (overfitting).
La normalisation.
La régularisation.
Le gradient descent.

Le surapprentissage (overfitting).

Explication

Le surapprentissage, ou overfitting, fait référence à un modèle qui s'ajuste trop bien aux données d'entraînement, au detriment de sa performance sur de nouvelles données. La régularisation vise d'ailleurs à limiter ce phénomène.

4. Quelle fonction est typiquement utilisée pour mesurer l'écart entre la sortie du réseau et la vérité terrain en régresse?

La fonction de coût $J( heta) = rac{1}{2m} extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extstyle extbf{... (truncated for brevity)}}
La fonction d'activation sigmoïde.
La fonction de coût pour classification.
La perte quadratique moyenne.

Explication

En régression, la fonction de coût la plus couramment utilisée est la somme des carrés des erreurs, mesurant l'écart entre la sortie du réseau et la vérité terrain.

5. Quelle étape consiste à optimiser la fonction de coût en ajustant les poids du réseau?

Le processus de validation.
L'initialisation des poids.
La méthode de l'apprentissage par gradient descent.
La normalisation des entrées.

La méthode de l'apprentissage par gradient descent.

Explication

L'apprentissage par gradient descent consiste à ajuster itérativement les poids pour minimiser la fonction de coût, permettant au réseau d'apprendre à produire des sorties plus précises.

6. Quel rôle joue la régularisation dans l'apprentissage d'un réseau de neurones?

Elle normalise les entrées pour éviter le surapprentissage.
Elle limite la complexité du modèle pour éviter le surapprentissage.
Elle calcule la sortie du réseau.
Elle ajuste le taux d'apprentissage.

Elle limite la complexité du modèle pour éviter le surapprentissage.

Explication

La régularisation est une technique qui limite la complexité du modèle, comme la régularisation L2, pour prévenir le surapprentissage et améliorer la capacité de généralisation.

Révisez avec les flashcards

Mémorisez les réponses avec 7 flashcards sur Introduction à la programmation.

Propagation avant — fonction?

Calcule la sortie à partir des entrées.

Rétropropagation — rôle?

Ajuste les poids via gradients.

Fonction de coût — définition?

Mesure l'écart entre sortie et vérité.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Introduction à la programmation.

Voir la fiche →

Cours similaires

Introduction à l'Informatique et IA

Introduction aux marchés publics et réglementations du bâtiment

Bases de données

Gestion des imprimantes Windows et PDF

Introduction aux bases de données relationnelles

Bases de données

Maîtrise des Boucles en Programmation

Programmation

Maîtrise des fonctions et paradigmes de programmation

Programmation

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM