Font size
WorksheetsTEST_IM2
Total questions: 36
Worksheet time: 20mins
Parmi ces définitions, laquelle correspond au "réseau de neurones" ?
une représentation multidimensionnelle des données importantes
une représentation sous la forme graphique d'un arbre illustrant des règles de décision
un assemblage d'objets informatiques s'inspirant du fonctionnement du cerveau humain
un outil logique permettant de modéliser facilement un ensemble de choix d’une certaine complexité
De quelles capacités dispose un réseau de neurones ?
prendre la forme d'un arbre de décisions avec des résultats possibles à chaque étape
traiter des problèmes non structurés sur lesquels on ne dispose d'aucune information
travailler sur des données incomplètes ou bruitées
être utile en tant qu'application dans des secteurs divers et variés
En logique floue :
les connaissances sont imprécises, vagues et éventuellement incertaines.
les décisions sont binaires : soient vraies, soient fausses.
une décision peut être à la fois vraie et fausse en même temps
Quelle est la principale différence entre les réseaux de neurones supervisés et non supervisés ?
Les réseaux de neurones supervisés nécessitent des étiquettes de sortie pour l'apprentissage, tandis que les non supervisés n'en ont pas besoin.
Les réseaux de neurones supervisés utilisent des fonctions d'activation, tandis que les non supervisés utilisent des fonctions de coût.
Les réseaux de neurones supervisés sont plus profonds que les non supervisés.
Aucune des réponses ci-dessus.
Comment est définie la fonction d'appartenance pour la catégorie "Petit" ?
Elle augmente linéairement de 0 à 1 entre 140 cm et 160 cm.
Elle diminue linéairement de 1 à 0 entre 160 cm et 170 cm.
Elle est égale à 0 pour une taille supérieure à 170 cm et à 1 pour une taille inférieure à 160 cm.
Elle est égale à 1 pour une taille inférieure à 160 cm.
Quelle est l'une des principales applications des réseaux de neurones supervisés ?
Classification d'images.
Clustering de données.
filtrage de données.
Toutes les réponses ci-dessus.
RNNs signifie :
Receives Neural Networks
Report Neural Networks
Recording Neural Networks
Recurrent Neural Networks
Quel est l'un des défis principaux des réseaux de neurones non supervisés ?
Trouver des ensembles de données de grande taille.
L'absence de labels pour guider l'apprentissage.
La complexité des fonctions de coût.
Le manque de puissance de calcul.
Quel est le principal avantage de la logique floue dans le traitement de l'information ?
Elle est uniquement utilisée dans des domaines spécifiques de l'informatique
Elle permet des calculs plus rapides que la logique classique
Elle garantit des résultats précis et déterministes
Elle permet de manipuler des concepts flous et d'incertitude, ce qui correspond souvent mieux à la réalité
Quelle est la méthode couramment utilisée pour convertir les valeurs floues en valeurs réelles dans un système de contrôle flou ?
Fuzzification
Implication
Règles d'inférence
Défuzzification
Quel algorithme est généralement utilisé pour l'apprentissage supervisé (classification) ?
K-Means.
Régression linéaire.
K-NN (K plus proches voisins).
Réseaux de neurones convolutifs (CNN).
Quel algorithme est couramment utilisé pour l'apprentissage non supervisé (clustering)?
Régression logistique.
K-Means.
Réseaux de neurones convolutifs (CNN).
Forêt aléatoire.
Quelle est l'une des caractéristiques principales d'un perceptron multicouches (MLP) ?
Il ne comporte qu'une seule couche de neurones.
Il ne peut être utilisé que pour des problèmes de classification binaire.
Il utilise uniquement des fonctions d'activation linéaires.
Il peut avoir plusieurs couches cachées de neurones.
Quelle bibliothèque Python est couramment utilisée pour implémenter la logique floue ?
NumPy
Scikit-Fuzzy
Tensorflow
SciPy
Quelle bibliothèque est principalement utilisée pour les réseaux de neurones en Python ?
TensorFlow
Scikit-learn
PyTorch
Keras
à quoi égale la précision de ce modèle de prédiction/classification?
100%
80%
98%
89%
Quelle est la base de données utilisée ?
Fashion-MNIST
ImageNet
MNIST
NUMBERS
Quel est le nom de la base de données utilisée ici?
MNIST
ImageNet
sklearn
IRIS
Quelle est la première étape du processus de déploiement d'un réseau de neurones ?
L'évaluation des performances.
La définition de l'architecture du réseau.
La collecte des données.
L'entraînement du modèle.
Quel est le rôle de la fonction "fit"?
Calcule le taux de bon classement en apprentissage
Faire l'Apprentissage en 5 cycles
Adapter le modèle aux données d'entraînement.
diviser la base des données en train et test
Pour améliorer la performance d'un modèle, nous devrons:
Ajouter plus de données d'entraînement.
Augmenter la complexité du modèle.
Utiliser des techniques de régularisation.
Optimiser les hyperparamètres.
Combien de couches possède-t-il ce modèle?
6 couches
7 couches
8 couches
4 couches
Ce modèle à divisé les données comme suite:
Division équitable
60% des données sont utilisés pour l'ensemble d'entraînement et 40% des données sont utilisées pour l'ensemble de test.
40% des données sont utilisés pour l'ensemble d'entraînement et 60% des données sont utilisées pour l'ensemble de test.
0.6% des données sont utilisés pour l'ensemble d'entraînement et 0.4% des données sont utilisées pour l'ensemble de test.
Quel est l'ordre correct des étapes d'un algorithme d'apprentissage ?
Etape 1: Chargement et prétraitement des données
Etape 2: Création du modèle
Etape 3: Compilation du modèle
Etape 4: Entraînement du modèle
Etape 5: Evaluation du modèle
Etape 6: Faire des prédictions
Etape 1: Chargement et prétraitement des données
Etape 2: Création du modèle
Etape 3: Entraînement du modèle
Etape 4: Compilation du modèle
Etape 5: Evaluation du modèle
Etape 6: Faire des prédictions
Etape 1: Chargement et prétraitement des données
Etape 2: Création du modèle
Etape 3: Compilation du modèle
Etape 4: Entraînement du modèle
Etape 5: Faire des prédictions
Etape 6: Evaluation du modèle
Que signifient ces règles:
Rule1: SI le service était “poor” OÙ la qualité de la nourriture était “poor” ALORS le Tip sera “low”.
Rule2: SI le service est “average”, ALORS le Tip est “medium”.
Rule3: SI le service est good” ALORS le Tip est “high”.
Rule1: SI le service était “poor” OÙ la qualité de la nourriture était “poor” ALORS le Tip sera “low”.
Rule2: SI le service est “average”, ALORS le Tip est “medium”.
Rule3: SI le service est good” OÙ la qualité de la nourriture est “good”, ALORS le Tip est “high”.
R1: SI le service était “poor” ET la qualité de la nourriture était “poor” ALORS le Tip sera “low”.
R2: SI le service est “average” ET la qualité de la nourriture était “poor” , ALORS le Tip est “medium”.
R3: SI le service est good” OÙ la qualité de la nourriture est “good”, ALORS le Tip est “high”.
Que fait cette fonction: Automf(3,5 ou7)
est utile lorsque vous n'avez pas de connaissances préalables sur la forme exacte de votre ensemble flou
est une fonction qui permet de définir un ensemble flou en forme de triangle.
permet de diviser d'une manière automatique les appartenances des entrées/sorties.
permet de définir des ensembles flous ayant une forme trapézoïdale.
"trimf" est utilisée pour définir des ensembles flous en forme de triangle,
tandis que "trapmf" est utilisée pour définir des ensembles flous en forme de trapèze.
OUI
NON
Dans un système de contrôle flou, qu'est-ce que 'ctrl.Rule' est utilisé pour définir ?
Les méthodes de défuzzification.
Les règles du système de contrôle.
Les variables linguistiques.
les ensembles flous.
Quelle est la syntaxe générale pour déclarer une règle dans la bibliothèque scikit-fuzzy de Python ?
skikit.fuzzy.rule(condition, conclusion)
fuzzy_rule(condition, conclusion)
skfuzzy.rule(condition, conclusion)
ctrl.Rule(condition, conclusion)
Quelle est la principale caractéristique de la logique floue ?
Elle permet des réponses binaires, vrai ou faux.
Elle ne peut être utilisée que dans des contextes numériques.
Elle permet une représentation de l'incertitude et de l'imprécision à travers des valeurs intermédiaires entre vrai et faux.
Elle permet des réponses probabilistes.
Qu'est-ce qu'un ensemble flou ?
Un ensemble contenant des valeurs booléennes.
Un ensemble contenant des valeurs numériques.
Un ensemble vide.
Un ensemble dont les frontières ne sont pas nettement définies.
la fonction "Antecedant" permet de déclarer:
les variables d'entrées du système floue et l'intervalle
les sorties du système floue
les variables de l'univers
les entrées du système floue
Cette instruction, dans un modèle de réseau de neurones,
permet d'aplanir les données multidimensionnelles en un vecteur unidimensionnel.
est utilisée entre les couches de convolution et les couches denses.
permet d'ajouter une couche qui aplatis les données en une dimension pour les préparer à être connectées à des couches denses
permet d'ajoute une couche de régularisation pour réduire le surapprentissage
Que fait cette instruction?
Elle ajoute une couche de convolution au modèle
Elle ajoute une couche de pooling qui réduit la taille spatiale des données en prenant la valeur maximale dans chaque fenêtre de pooling
Elle ajoute une couche qui applique une fonction d'activation maximale aux activations précédentes
Elle ajoute une couche de régularisation pour réduire le surapprentissage.
Quel est l'effet de l'instruction sur la taille spatiale des données ?
Elle augmente la taille spatiale des données.
Elle maintient la taille spatiale des données inchangée.
Elle réduit la taille spatiale des données en la divisant par deux dans chaque dimension.
Elle transforme les données en un vecteur unidimensionnel.
À quel stade du processus de construction du modèle est utilisée cette instruction?
Au début, juste après l'initialisation du modèle
À la fin, juste avant la couche de sortie
Elle peut être utilisée à différents stades, selon l'architecture du modèle
Entre les couches de convolution
