Scribd
Importer
3 vues2 pages

TP 2 - RNN

Le document présente un TP sur les réseaux de neurones récurrents (RNN) dans le cadre d'un cours de Machine Learning. Il aborde des concepts clés tels que la définition des RNN, leurs applications, les problèmes associés comme la disparition du gradient, ainsi que des exercices pratiques sur l'analyse de séquence et l'architecture des RNN. Enfin, il propose des réflexions sur l'amélioration des modèles RNN et des techniques d'encodage des mots.

Transféré par

eddariysouade
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues2 pages

TP 2 - RNN

Le document présente un TP sur les réseaux de neurones récurrents (RNN) dans le cadre d'un cours de Machine Learning. Il aborde des concepts clés tels que la définition des RNN, leurs applications, les problèmes associés comme la disparition du gradient, ainsi que des exercices pratiques sur l'analyse de séquence et l'architecture des RNN. Enfin, il propose des réflexions sur l'amélioration des modèles RNN et des techniques d'encodage des mots.

Transféré par

eddariysouade
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Pr : DIB BRAHIM

Filière : CIA
Semestre 5, Machine Learning
Année Universitaire: 2025/2026

TP2 : RNN
Exercice 1 : Compréhension générale
1. Définir un réseau de neurones récurrent (RNN).
2. Quelle est la différence entre un RNN et un réseau de neurones classique ?
3. Donner deux exemples d’applications des RNN.
4. Pourquoi dit-on que les RNN possèdent une mémoire ?
Exercice 2 : Problèmes des RNN
1. Expliquer le problème de disparition du gradient.
2. Quel est l’impact de ce problème sur l’apprentissage ?
3. Citer deux solutions à ce problème.
4. Expliquer brièvement le rôle des LSTM.
Exercice 3 : Analyse de séquence
On considère la phrase suivante :
"bonjour je suis un modele de deep learning"
1. Décomposer cette phrase en une séquence de mots.
2. Proposer toutes les sous-séquences possibles pour l’apprentissage.
3. Donner un exemple d’entrée et de sortie pour entraîner un modèle.
4. Expliquer le principe de prédiction du mot suivant.
Exercice 4 : Architecture
1. Dessiner le schéma d’un RNN simple.
2. Expliquer le rôle de chaque composant (entrée, état caché, sortie).
3. Quelle est la différence entre un RNN simple et un LSTM ?
4. Pourquoi utilise-t-on une couche d’embedding?
Exercice 5 : Réflexion et amélioration
1. Que se passe-t-il si on augmente la taille du dataset ?
2. Quel est l’impact du nombre d’itérations (epochs) ?
3. Proposer deux améliorations possibles d’un modèle RNN.
4. Donner un exemple d’utilisation des RNN dans la vie réelle.
Exercice 6 :
On souhaite prédire le mot suivant dans une phrase.
1. Pourquoi faut-il transformer les mots en nombres ?
2. Quelle est la différence entre encodage one-hot et embedding ?
3. Lequel est le plus efficace et pourquoi?

Vous aimerez peut-être aussi