QCM : Traitement d’image et deep learning — 28 questions

Questions et réponses du QCM

1. Concernant la distinction entre images vectorielles et matricielles :

Une image matricielle conserve une netteté absolue à tout facteur d’agrandissement.
Une image matricielle correspond à une grille finie de pixels.
Une image matricielle peut devenir pixellisée lorsqu’elle est agrandie.
Une image vectorielle repose sur des équations géométriques pour décrire ses formes.
Une image vectorielle devient pixellisée lors de chaque changement de zoom.

Une image matricielle correspond à une grille finie de pixels. · Une image matricielle peut devenir pixellisée lorsqu’elle est agrandie. · Une image vectorielle repose sur des équations géométriques pour décrire ses formes.

Explication

Les images vectorielles sont définies par des équations géométriques, tandis que les images matricielles sont constituées de pixels. Une image matricielle peut perdre sa netteté lors d’un agrandissement, alors que l’image vectorielle conserve sa netteté.

2. Parmi les propositions suivantes concernant la représentation matricielle des images, la(les)quelle(s) est(sont) exacte(s) ?

Une image matricielle contient une infinité continue de points visuels.
Une image matricielle est nécessairement décrite par des équations géométriques.
Une représentation matricielle peut prendre la forme d’un tenseur tridimensionnel.
Une image matricielle peut être représentée par une matrice bidimensionnelle.
Une image matricielle est formée de points discrets appelés pixels.

Une représentation matricielle peut prendre la forme d’un tenseur tridimensionnel. · Une image matricielle peut être représentée par une matrice bidimensionnelle. · Une image matricielle est formée de points discrets appelés pixels.

Explication

Une image matricielle est une grille finie de pixels et peut être représentée par une matrice 2D ou un tenseur 3D. Elle ne repose pas nécessairement sur des équations géométriques et ne contient pas une infinité continue de points.

3. Concernant le repérage d’un pixel dans une image, cochez la (les) proposition(s) exacte(s) :

La coordonnée yy varie entre 00 et W−1W-1.
La coordonnée xx désigne la ligne du pixel dans l’image.
La coordonnée yy indique la position verticale du pixel.
La ligne d’un pixel est repérée par une coordonnée comprise entre 00 et H−1H-1.
La coordonnée xx indique la position horizontale du pixel.

La coordonnée $$y$$ indique la position verticale du pixel. · La ligne d’un pixel est repérée par une coordonnée comprise entre $$0$$ et $$H-1$$. · La coordonnée $$x$$ indique la position horizontale du pixel.

Explication

La ligne yy varie de 00 à H−1H-1 et correspond à la position verticale. La colonne xx varie de 00 à W−1W-1 et correspond à la position horizontale.

4. Les caractéristiques des représentations en niveaux de gris, RGB et RGBA comprennent :

Une image RGBA contient trois canaux, dont un canal alpha.
Une image en niveaux de gris possède un canal d’intensité.
Une image RGBA ajoute un canal alpha aux trois canaux colorés.
Une image RGB contient les canaux rouge, vert et bleu.
Une image en niveaux de gris possède nécessairement quatre canaux.

Une image en niveaux de gris possède un canal d’intensité. · Une image RGBA ajoute un canal alpha aux trois canaux colorés. · Une image RGB contient les canaux rouge, vert et bleu.

Explication

Une image en niveaux de gris possède un canal d’intensité, tandis qu’une image RGB possède trois canaux colorés. Le format RGBA ajoute un quatrième canal alpha de transparence ; il ne se limite donc pas à trois canaux.

5. Pourquoi convertir les valeurs d’une image en flottants dans l’intervalle [0.0,1.0][0.0,1.0] ?

Elle supprime le besoin de représenter les canaux de couleur.
Elle transforme nécessairement une image RGB en image en niveaux de gris.
Elle utilise une échelle normalisée comprise entre 0.00.0 et 1.01.0.
Elle facilite les calculs algébriques matriciels sur les intensités.
Cette conversion contribue à éviter les dépassements de capacité numériques.

Elle utilise une échelle normalisée comprise entre $$0.0$$ et $$1.0$$. · Elle facilite les calculs algébriques matriciels sur les intensités. · Cette conversion contribue à éviter les dépassements de capacité numériques.

Explication

La conversion en flottants dans [0.0,1.0][0.0,1.0] normalise les intensités et aide à éviter les dépassements de capacité pendant les calculs matriciels. Elle ne convertit pas une image RGB en niveaux de gris et ne supprime pas ses canaux.

6. Au sujet de l’inversion négative d’une image normalisée :

L’inversion d’un pixel normalisé s’écrit pinv=p×1.0p_{inv}=p\times 1.0.
L’inversion d’un pixel normalisé s’écrit pinv=1.0+pp_{inv}=1.0+p.
L’inversion d’un pixel normalisé s’écrit pinv=p1.0p_{inv}=\frac{p}{1.0}.
L’inversion d’un pixel normalisé s’écrit pinv=p−1.0p_{inv}=p-1.0.
L’inversion d’un pixel normalisé s’écrit pinv=1.0−pp_{inv}=1.0-p.

L’inversion d’un pixel normalisé s’écrit $$p_{inv}=1.0-p$$.

Explication

L’inversion négative est calculée par pinv=1.0−pp_{inv}=1.0-p. Les autres expressions correspondent à des opérations différentes et ne réalisent pas l’inversion décrite.

7. Quelle(s) proposition(s) est(sont) exacte(s) concernant la luminance selon ITU-R BT.709 ?

La luminance utilise un coefficient de 0.21260.2126 pour le rouge.
La luminance utilise un coefficient de 0.71520.7152 pour le rouge.
La composante bleue intervient avec un coefficient de 0.21260.2126.
La composante verte intervient avec un coefficient de 0.71520.7152.
La formule comprend un terme bleu pondéré par 0.07220.0722.

La luminance utilise un coefficient de $$0.2126$$ pour le rouge. · La composante verte intervient avec un coefficient de $$0.7152$$. · La formule comprend un terme bleu pondéré par $$0.0722$$.

Explication

La norme ITU-R BT.709 définit l=0.2126r+0.7152g+0.0722bl=0.2126r+0.7152g+0.0722b. Le rouge est donc pondéré par 0.21260.2126, le vert par 0.71520.7152 et le bleu par 0.07220.0722.

8. Concernant le mélange alpha et le masquage pixel à pixel, la(les)quelle(s) est(sont) exacte(s) ?

Le masquage pixel à pixel s’écrit I′=αI+(1−α)ImI'=\alpha I+(1-\alpha)I_m.
Le mélange alpha s’écrit I=αI1+(1−α)I2I=\alpha I_1+(1-\alpha)I_2.
Le mélange alpha s’écrit I=αI1−(1−α)I2I=\alpha I_1-(1-\alpha)I_2.
Le mélange alpha s’écrit I=I1×I2I=I_1\times I_2.
Le masquage pixel à pixel s’écrit I′=I×ImI'=I\times I_m.

Le mélange alpha s’écrit $$I=\alpha I_1+(1-\alpha)I_2$$. · Le masquage pixel à pixel s’écrit $$I'=I\times I_m$$.

Explication

Le mélange alpha combine deux images selon I=αI1+(1−α)I2I=\alpha I_1+(1-\alpha)I_2. Le masquage pixel à pixel multiplie l’image par le masque, selon I′=I×ImI'=I\times I_m ; les autres formules ne correspondent pas à ces opérations.

9. Concernant le flou moyenneur :

Le flou moyenneur réduit généralement les variations locales présentes dans l’image.
Le flou moyenneur applique des coefficients positifs et négatifs pour accentuer les contours.
Chaque pixel filtré correspond à une moyenne locale calculée dans une fenêtre carrée.
La valeur filtrée est obtenue en additionnant les pixels voisins sans effectuer de division.
Une fenêtre de taille (2s+1)×(2s+1)(2s+1)\times(2s+1) contient (2s+1)2(2s+1)^2 pixels.

Le flou moyenneur réduit généralement les variations locales présentes dans l’image. · Chaque pixel filtré correspond à une moyenne locale calculée dans une fenêtre carrée. · Une fenêtre de taille $$(2s+1)\times(2s+1)$$ contient $$(2s+1)^2$$ pixels.

Explication

Le flou moyenneur remplace chaque pixel par la moyenne des valeurs de sa fenêtre locale. Une fenêtre de côté (2s+1)(2s+1) contient (2s+1)2(2s+1)^2 pixels, et cette moyenne atténue les variations. Les coefficients positifs et négatifs caractérisent plutôt un filtre de contours, tandis que la division par le nombre de pixels est indispensable.

10. Parmi les propositions suivantes concernant la convolution bidimensionnelle, la(les)quelle(s) est(sont) exacte(s) ?

La convolution fait glisser un noyau compact sur les différentes positions de l’image.
Le résultat local additionne les produits des pixels voisins par les coefficients correspondants.
La convolution utilise les coefficients du noyau pour combiner les valeurs voisines.
Le noyau reste fixe sur un seul pixel de l’image pendant toute la convolution.
La convolution remplace chaque voisin par sa moyenne indépendamment des coefficients du noyau.

La convolution fait glisser un noyau compact sur les différentes positions de l’image. · Le résultat local additionne les produits des pixels voisins par les coefficients correspondants. · La convolution utilise les coefficients du noyau pour combiner les valeurs voisines.

Explication

La convolution 2D consiste à faire glisser un noyau compact sur l’image et à calculer, localement, une somme de produits. Les coefficients du noyau pondèrent donc les pixels voisins. Le noyau n’est pas immobilisé, et la convolution ne se réduit pas à une moyenne indépendante des coefficients.

11. Un filtre doit extraire les variations brutales d’une image : cochez la (les) proposition(s) exacte(s) :

Le noyau Laplacien décrit est un filtre passe-haut destiné à détecter les contours.
Le flou moyenneur constitue le filtre adapté pour extraire les variations brutales.
Le coefficient central du noyau Laplacien vaut 88.
Le noyau Laplacien possède huit coefficients périphériques égaux à −1-1.
Les coefficients périphériques du noyau Laplacien valent tous 11.

Le noyau Laplacien décrit est un filtre passe-haut destiné à détecter les contours. · Le coefficient central du noyau Laplacien vaut $$8$$. · Le noyau Laplacien possède huit coefficients périphériques égaux à $$-1$$.

Explication

Le noyau Laplacien donné est un filtre passe-haut qui met en évidence les variations brutales et les arêtes. Son coefficient central vaut 88 et ses huit coefficients périphériques valent −1-1. Des coefficients périphériques égaux à 11 décriraient un autre noyau, tandis que le flou moyenneur réduit les variations.

12. Concernant les opérateurs bit à bit appliqués à des entiers uint8 :

L’opérateur & réalise un ET bit à bit entre deux opérandes.
L’opérateur | exige que les deux bits soient à 11 pour produire un résultat à 11.
L’opérateur ^ correspond à un OU exclusif bit à bit.
L’opérateur ~ effectue un décalage des bits vers la gauche.
L’opérateur >> réalise un décalage des bits vers la gauche.

L’opérateur & réalise un ET bit à bit entre deux opérandes. · L’opérateur ^ correspond à un OU exclusif bit à bit.

Explication

L’opérateur & est un ET bit à bit et ^ un OU exclusif. L’opérateur | réalise un OU, qui met un bit à 11 dès qu’un opérande vaut 11. Le complément est réalisé par ~, tandis que >> décale vers la droite et << vers la gauche.

13. Les caractéristiques des bits dans un octet comprennent :

Les bits de poids fort sont appelés les MSB dans la représentation binaire.
Les bits b3 à b0 correspondent généralement à des nuances peu perceptibles.
Les bits de poids faible sont les plus importants pour les grandes structures visuelles.
Les bits de poids faible sont appelés les LSB dans la représentation binaire.
Les bits b7 à b4 portent l’essentiel de l’information visuelle d’un octet.

Les bits de poids fort sont appelés les MSB dans la représentation binaire. · Les bits b3 à b0 correspondent généralement à des nuances peu perceptibles. · Les bits de poids faible sont appelés les LSB dans la représentation binaire. · Les bits b7 à b4 portent l’essentiel de l’information visuelle d’un octet.

Explication

Les quatre bits de poids fort b7 à b4, ou MSB, portent environ 94 % de l’information visuelle. Les quatre bits de poids faible b3 à b0, ou LSB, produisent généralement des nuances peu perceptibles. L’importance visuelle principale revient donc aux MSB, et non aux LSB.

14. Lors de la dissimulation d’une image dans une image hôte, quelle(s) proposition(s) est(sont) exacte(s) ?

Les quatre bits forts de l’hôte sont remplacés par les quatre bits faibles de l’image secrète.
Les quatre bits faibles de l’hôte sont remplacés par les quatre bits forts de l’image secrète.
L’extraction récupère les bits secrets dans les quatre bits forts de l’hôte.
La dissimulation remplace les huit bits de chaque pixel hôte par ceux de l’image secrète.
L’extraction décale les bits récupérés vers les poids faibles pour reconstruire l’image.

Les quatre bits faibles de l’hôte sont remplacés par les quatre bits forts de l’image secrète.

Explication

La dissimulation remplace les quatre bits de poids faible de l’image hôte par les quatre bits de poids fort de l’image secrète. Lors de l’extraction, ces bits sont récupérés puis décalés vers les poids forts. Les autres propositions inversent les groupes de bits ou exagèrent la quantité remplacée.

15. Concernant la stéganographie textuelle, cochez la (les) proposition(s) exacte(s) :

Le message est terminé par un octet sentinelle égal à 255255.
Un caractère est représenté par quatre bits avant son insertion dans l’image.
Un bit du message est placé dans le bit de poids faible d’un canal.
Un octet sentinelle nul est ajouté après le message dissimulé.
Chaque caractère du message est converti en une séquence ASCII de huit bits.

Un bit du message est placé dans le bit de poids faible d’un canal. · Un octet sentinelle nul est ajouté après le message dissimulé. · Chaque caractère du message est converti en une séquence ASCII de huit bits.

Explication

La stéganographie textuelle convertit chaque caractère ASCII en huit bits et insère chaque bit dans le bit de poids faible d’un canal. Un octet sentinelle nul est ensuite ajouté pour signaler la fin du message. La représentation n’est pas limitée à quatre bits et le sentinelle vaut zéro, non 255255.

16. Parmi les propositions suivantes concernant l’intelligence artificielle, le machine learning et le deep learning, la(les)quelle(s) est(sont) exacte(s) ?

Le machine learning apprend des règles à partir de données statistiques.
Le deep learning repose sur des règles entièrement écrites avant l’analyse des données.
Le machine learning désigne exclusivement les réseaux de neurones artificiels profonds.
Le deep learning utilise des réseaux de neurones artificiels profonds.
L’intelligence artificielle vise à faire imiter à une machine un comportement humain intelligent.

Le machine learning apprend des règles à partir de données statistiques. · Le deep learning utilise des réseaux de neurones artificiels profonds. · L’intelligence artificielle vise à faire imiter à une machine un comportement humain intelligent.

Explication

L’intelligence artificielle regroupe les techniques visant à imiter un comportement humain intelligent. Le machine learning apprend des règles à partir de données statistiques, tandis que le deep learning s’appuie sur des réseaux de neurones artificiels profonds. Les règles entièrement écrites relèvent de l’approche classique, et le machine learning ne se limite pas au deep learning.

17. Une méthode doit traiter des exemples et ajuster ses paramètres numériques pour produire un modèle :

L’algorithmique classique applique des règles écrites aux données.
L’approche classique apprend ses règles uniquement en ajustant des paramètres numériques.
L’apprentissage profond construit ses résultats en modifiant progressivement des paramètres numériques.
Le deep learning applique un ensemble de règles entièrement rédigées avant l’apprentissage.
Le deep learning déduit un modèle à partir de données et de réponses fournies.

L’algorithmique classique applique des règles écrites aux données. · L’apprentissage profond construit ses résultats en modifiant progressivement des paramètres numériques. · Le deep learning déduit un modèle à partir de données et de réponses fournies.

Explication

L’approche classique applique des règles écrites aux données, alors que le deep learning déduit un modèle à partir d’exemples et de réponses. Cet apprentissage repose sur l’ajustement de paramètres numériques. Les règles entièrement rédigées avant le traitement caractérisent l’approche classique et non le deep learning.

18. Concernant la fonction de perte et l’accuracy, cochez la (les) proposition(s) exacte(s) :

L’objectif d’entraînement est généralement de faire tendre la perte vers zéro.
L’accuracy et la perte correspondent à deux mesures distinctes des performances.
La fonction de perte mesure numériquement l’erreur commise par le réseau.
L’accuracy mesure la proportion de prédictions correctement classées.
La fonction de perte indique directement le nombre de classes correctement prédites.

L’objectif d’entraînement est généralement de faire tendre la perte vers zéro. · L’accuracy et la perte correspondent à deux mesures distinctes des performances. · La fonction de perte mesure numériquement l’erreur commise par le réseau. · L’accuracy mesure la proportion de prédictions correctement classées.

Explication

La perte quantifie l’erreur du réseau et doit généralement diminuer vers zéro. L’accuracy mesure la proportion de prédictions correctes ; elle est donc distincte de la perte, qui ne donne pas directement un nombre de classes correctement prédites.

19. Parmi les propositions suivantes concernant le learning rate, la(les)quelle(s) est(sont) exacte(s) ?

Le learning rate mesure la proportion de prédictions correctes.
Le learning rate désigne directement les paramètres appris par le réseau.
Le learning rate contrôle la taille des mises à jour des poids.
Le learning rate correspond à un cycle complet sur le dataset d’entraînement.
Le learning rate calcule l’erreur numérique produite par le réseau.

Le learning rate contrôle la taille des mises à jour des poids.

Explication

Le learning rate est le pas qui règle l’amplitude des ajustements des poids à chaque étape. Les paramètres mis à jour sont les poids, tandis que l’accuracy, l’époque et la perte désignent respectivement d’autres notions.

20. Un neurone reçoit des entrées pondérées et applique une activation : quelles propositions sont exactes ?

Le neurone commence par calculer une somme pondérée des entrées avec un biais.
Le biais est appliqué après la fonction d’activation pour modifier la sortie.
La sortie du neurone s’écrit y=f(z)y=f(z) après activation de zz.
La fonction d’activation produit sa valeur avant le calcul de zz.
Le terme zz inclut les produits wixiw_i x_i ainsi que le biais.

Le neurone commence par calculer une somme pondérée des entrées avec un biais. · La sortie du neurone s’écrit $$y=f(z)$$ après activation de $$z$$. · Le terme $$z$$ inclut les produits $$w_i x_i$$ ainsi que le biais.

Explication

Le neurone calcule z=∑i=1Nwixi+bz=\sum_{i=1}^{N}w_i x_i+b, puis obtient y=f(z)y=f(z). Le biais appartient donc à la somme préalable, tandis que l’activation intervient ensuite.

21. Concernant l’empilement de couches et les fonctions d’activation, la(les)quelle(s) est(sont) exacte(s) ?

Plusieurs couches linéaires successives équivalent à une transformation linéaire unique.
Une activation linéaire suffit à représenter toute frontière de décision complexe.
Une succession de couches linéaires produit nécessairement des frontières non linéaires.
L’absence d’activation empêche les couches empilées d’ajouter une expressivité non linéaire.
Une activation non linéaire permet d’apprendre des frontières de décision complexes.

Plusieurs couches linéaires successives équivalent à une transformation linéaire unique. · L’absence d’activation empêche les couches empilées d’ajouter une expressivité non linéaire. · Une activation non linéaire permet d’apprendre des frontières de décision complexes.

Explication

Sans activation, l’empilement de transformations linéaires reste équivalent à une seule transformation linéaire. Une activation non linéaire apporte la capacité d’apprendre des frontières complexes ; une activation linéaire ne fournit pas cette propriété.

22. À propos du dataset MNIST :

MNIST regroupe des chiffres manuscrits répartis en 100 classes distinctes.
MNIST contient 10 000 images d’entraînement et 60 000 images de test.
MNIST regroupe des images réparties en 28 classes de chiffres manuscrits.
MNIST contient 60 000 images de test et 10 000 images d’entraînement.
MNIST comprend 60 000 images d’entraînement et 10 000 images de test.

MNIST comprend 60 000 images d’entraînement et 10 000 images de test.

Explication

MNIST contient 60 000 images destinées à l’entraînement et 10 000 images inédites destinées au test. Les chiffres sont répartis en dix classes, de 0 à 9, et non en 28 ou 100 classes.

23. Concernant la représentation d’une image MNIST, la(les)quelle(s) est(sont) exacte(s) ?

Les valeurs des pixels sont normalisées entre 0.0 et 1.0.
Une image MNIST correspond à 784 valeurs d’entrée pour le réseau.
Chaque image MNIST contient 784 scores de sortie correspondant aux classes.
La sortie du réseau comporte dix scores correspondant aux classes de chiffres.
Chaque image comporte 28×28 pixels en niveaux de gris.

Les valeurs des pixels sont normalisées entre 0.0 et 1.0. · Une image MNIST correspond à 784 valeurs d’entrée pour le réseau. · La sortie du réseau comporte dix scores correspondant aux classes de chiffres. · Chaque image comporte 28×28 pixels en niveaux de gris.

Explication

Une image MNIST contient 28×28=78428\times28=784 pixels en niveaux de gris, normalisés entre 0.0 et 1.0. Ces 784 valeurs alimentent le réseau, dont la sortie comporte dix scores de classes ; 784 n’est donc pas le nombre de sorties.

24. Un mini-batch MNIST de forme [256,1,28,28] traverse le MLP : quelles propositions sont exactes ?

Les transformations intermédiaires incluent successivement [256,128] puis [256,64].
L’aplatissement transforme le mini-batch en une forme [256,784].
L’aplatissement transforme le mini-batch en une forme [784,256].
La dernière sortie du réseau possède une forme [256,64].
La première transformation dense produit une forme [256,256].

Les transformations intermédiaires incluent successivement [256,128] puis [256,64]. · L’aplatissement transforme le mini-batch en une forme [256,784]. · La première transformation dense produit une forme [256,256].

Explication

Le batch est aplati de [256,1,28,28] en [256,784], puis traverse les formes [256,256], [256,128] et [256,64]. La sortie finale est [256,10] logits, et non [256,64] ; l’ordre [784,256] inverse les dimensions du batch.

25. Concernant la mise à jour des poids par descente de gradient, cochez la (les) proposition(s) exacte(s) :

La descente de gradient augmente l’erreur en suivant la pente de la perte.
La mise à jour des poids suit l’opposé du gradient de la perte.
Le gradient indique directement la direction dans laquelle les poids doivent être déplacés.
La formule de mise à jour ajoute le gradient aux poids courants.
La règle de mise à jour utilise un taux d’apprentissage noté η\eta.

La mise à jour des poids suit l’opposé du gradient de la perte. · La règle de mise à jour utilise un taux d’apprentissage noté $$\eta$$.

Explication

La mise à jour suit l’opposé du gradient selon W←W−η⋅∇WLW\leftarrow W-\eta\cdot\nabla_W\mathcal{L}, et η\eta représente le taux d’apprentissage. Le gradient indique la pente de la perte, la formule soustrait le terme de gradient et l’objectif est de diminuer l’erreur, non de l’augmenter.

26. Parmi les propositions suivantes concernant le choix du taux d’apprentissage, la(les)quelle(s) est(sont) exacte(s) ?

Un taux de 1,01{,}0 assure une convergence stable du modèle.
Un taux de 10−310^{-3} provoque généralement une divergence rapide.
Un taux de 10−610^{-6} ralentit fortement l’apprentissage.
Un taux de 10−610^{-6} accélère fortement l’ajustement des paramètres.
Un taux de 10−310^{-3} permet une convergence rapide et stable.

Un taux de $$10^{-6}$$ ralentit fortement l’apprentissage. · Un taux de $$10^{-3}$$ permet une convergence rapide et stable.

Explication

Le taux 10−610^{-6} ralentit fortement l’apprentissage, tandis que 10−310^{-3} offre une convergence rapide et stable. Un taux de 1,01{,}0 peut provoquer une divergence, et les effets attribués aux deux autres valeurs sont donc inversés.

27. Une boucle d’apprentissage réalise successivement :

La remise à zéro des gradients précède la rétropropagation.
La mise à jour des poids précède le calcul des gradients par rétropropagation.
La mise à jour des paramètres intervient après la rétropropagation.
Une prédiction est produite avant le calcul de la perte.
La rétropropagation calcule les gradients nécessaires à l’apprentissage.

La remise à zéro des gradients précède la rétropropagation. · La mise à jour des paramètres intervient après la rétropropagation. · Une prédiction est produite avant le calcul de la perte. · La rétropropagation calcule les gradients nécessaires à l’apprentissage.

Explication

La boucle suit l’ordre prédiction, calcul de la perte, remise à zéro des gradients, rétropropagation, puis mise à jour des paramètres. La rétropropagation calcule les gradients, alors que la mise à jour intervient ensuite.

28. Au sujet de l’overfitting lors de l’évaluation d’un modèle, quelles sont les réponses exactes ?

Le modèle peut mémoriser le bruit des exemples d’entraînement.
L’overfitting apparaît lorsque le modèle ignore les exemples d’entraînement.
L’overfitting améliore nécessairement la performance sur les données de test.
La perte mesurée sur les données de test peut remonter.
La capacité de généralisation aux exemples de test diminue.

Le modèle peut mémoriser le bruit des exemples d’entraînement. · La perte mesurée sur les données de test peut remonter. · La capacité de généralisation aux exemples de test diminue.

Explication

L’overfitting correspond à la mémorisation du bruit des 60 000 exemples d’entraînement, avec une généralisation réduite aux 10 000 exemples de test. Cette situation peut faire remonter la perte de test ; elle n’améliore pas nécessairement les performances de test et ne résulte pas d’un abandon des données d’entraînement.

Révisez avec les flashcards

Mémorisez les réponses avec 58 flashcards sur Traitement d’image et deep learning.

Qu'est-ce qui définit une image vectorielle ?

Des équations géométriques définissent une image vectorielle.

Qu'est-ce qui cause la pixellisation d'une image matricielle ?

L'agrandissement d'une grille finie de pixels cause la pixellisation.

Quels formats sont utilisés pour les images vectorielles ?

Les formats SVG, PDF et EPS sont utilisés pour les images vectorielles.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Traitement d’image et deep learning.

Voir la fiche →

Cours similaires

Socle d’informatique et énergie

Évolution et développement web

Hardware et réseaux informatiques

Apprentissage étudiant et IA

Intelligence Artificielle

Système d’information et bases de données

Fichiers et Internet

Crée tes propres QCM

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

Générateur de QCM