15 Questions et réponses du quiz en profondeur

Question 1 :
Quelle est la fonction d’activation la plus couramment utilisée dans les couches cachées des réseaux de neurones ?
A) Sigmoïde
B) ReLU
C) Tangente hyperbolique
D) Linéaire
Réponse : B
Explication : La fonction ReLU (Rectified Linear Unit) est privilégiée car elle accélère l’apprentissage et réduit le problème de vanishing gradient en activant uniquement les valeurs positives.

Question 2 :
Qu’est-ce que le backpropagation dans un réseau de neurones ?
A) Une méthode pour initialiser les poids
B) Un algorithme pour calculer les gradients et mettre à jour les poids
C) Une technique de régularisation
D) Une fonction d’activation
Réponse : B
Explication : Le backpropagation propage l’erreur à l’envers dans le réseau pour ajuster les poids, permettant ainsi l’optimisation des paramètres via des algorithmes comme la descente de gradient.

Question 3 :
Quel type de réseau de neurones est principalement utilisé pour le traitement des images ?
A) RNN
B) CNN
C) LSTM
D) Autoencoder
Réponse : B
Explication : Les CNN (Convolutional Neural Networks) sont conçus pour détecter des motifs locaux dans les images grâce à des couches de convolution et de pooling.

Question 4 :
Quelle est la principale cause du surapprentissage (overfitting) dans les modèles d’apprentissage profond ?
A) Un ensemble de données trop petit
B) Une régularisation insuffisante
C) Des poids initialisés aléatoirement
D) Un taux d’apprentissage élevé
Réponse : B
Explication : Le surapprentissage se produit lorsque le modèle mémorise le bruit des données au lieu de généraliser, et une régularisation comme la dropout peut l’atténuer.

Question 5 :
Dans quel cadre est utilisé l’algorithme de descente de gradient stochastique (SGD) ?
A) Pour la classification binaire
B) Pour l’optimisation des pertes dans les réseaux de neurones
C) Pour la génération de données
D) Pour la réduction de dimensions
Réponse : B
Explication : Le SGD optimise les paramètres en minimisant la fonction de perte en mettant à jour les poids à partir de mini-lots de données, rendant l’apprentissage plus efficace.

Question 6 :
Quelle est la différence principale entre un RNN et un réseau de neurones feedforward ?
A) Les RNN gèrent les données séquentielles
B) Les RNN utilisent des fonctions d’activation différentes
C) Les réseaux feedforward sont plus rapides
D) Les RNN ne gèrent pas les boucles
Réponse : A
Explication : Les RNN (Recurrent Neural Networks) maintiennent une mémoire des états précédents, ce qui les rend adaptés aux séquences comme le texte ou les séries temporelles, contrairement aux réseaux feedforward.

Question 7 :
Qu’est-ce qu’un autoencoder dans l’apprentissage profond ?
A) Un réseau pour la classification
B) Un modèle qui encode et décode des données pour la réduction de dimensions
C) Un type de régularisation
D) Une fonction d’activation
Réponse : B
Explication : Un autoencoder apprend des représentations compressées des données en reconstruisant l’entrée, utile pour la détection d’anomalies ou la génération de données.

Question 8 :
Quelle technique est utilisée pour empêcher le vanishing gradient dans les RNN ?
A) Dropout
B) LSTM
C) Batch normalization
D) ReLU
Réponse : B
Explication : Les LSTM (Long Short-Term Memory) introduisent des portes pour contrôler l’écoulement des informations, évitant ainsi que les gradients ne disparaissent sur de longues séquences.

Question 9 :
Dans TensorFlow, quelle est la fonction principale de Keras ?
A) Gérer les données
B) Fournir une API de haut niveau pour construire des modèles
C) Optimiser les GPU
D) Visualiser les données
Réponse : B
Explication : Keras, intégré à TensorFlow, simplifie la création et l’entraînement de modèles en offrant une interface intuitive pour les couches et les compilations.

Question 10 :
Qu’est-ce que le transfer learning en apprentissage profond ?
A) Transférer des données entre les couches
B) Utiliser un modèle pré-entrainé pour une nouvelle tâche
C) Changer les fonctions d’activation
D) Réduire le nombre de paramètres
Réponse : B
Explication : Le transfer learning exploite les connaissances d’un modèle entrainé sur un grand ensemble de données pour accélérer l’apprentissage sur une tâche similaire avec moins de données.

Question 11 :
Quelle est la perte couramment utilisée pour les problèmes de classification binaire ?
A) Mean Squared Error
B) Cross-Entropy
C) Hinge Loss
D) Kullback-Leibler Divergence
Réponse : B
Explication : La cross-entropy mesure la différence entre les distributions de probabilité prédites et réelles, rendant l’entraînement efficace pour les problèmes binaires ou multiclasses.

Question 12 :
Qu’est-ce qu’une couche de pooling dans un CNN ?
A) Une couche pour ajouter des poids
B) Une opération pour réduire la dimension spatiale et extraire des features
C) Une fonction d’activation
D) Une technique de régularisation
Réponse : B
Explication : La couche de pooling, comme max pooling, résume les features en réduisant la taille des données, aidant à la translation invariance et à la prévention du surapprentissage.

Question 13 :
Dans PyTorch, comment définit-on un modèle de réseau de neurones ?
A) En utilisant des boucles manuelles
B) En héritant d’une classe comme nn.Module
C) En appelant une fonction préconstruite
D) En utilisant des tableaux numpy
Réponse : B
Explication : PyTorch permet de définir des modèles en créant des sous-classes de nn.Module, où l’on spécifie les couches et la logique de propagation avant et arrière.

Question 14 :
Quelle est l’utilité du batch normalization ?
A) Normaliser les entrées
B) Stabiliser l’entraînement en normalisant les activations intermédiaires
C) Réduire le nombre de batches
D) Augmenter la complexité du modèle
Réponse : B
Explication : Le batch normalization normalise les sorties des couches précédentes, réduisant les problèmes d’initialisation et accélérant la convergence pendant l’entraînement.

Question 15 :
Qu’est-ce que le GAN (Generative Adversarial Network) ?
A) Un réseau pour la classification
B) Un modèle avec un générateur et un discriminateur pour générer des données synthétiques
C) Un type de RNN
D) Une technique de régularisation
Réponse : B
Explication : Les GAN opposent un générateur créant des données fausses à un discriminateur les distinguant des vraies, permettant la génération réaliste d’images ou de texte.