EXAMEN
Semestre : 1
Session : Rattrapage
Module: Deep Learning
Enseignant(s): UP GL-BD
Classes: 5ERP-BI
Nombre de pages : 4 pages
Documents NON autorisés, Calculatrice NON autorisée, Internet NON autorisée.
Date : 09/12/2022 Heure : 11h00 Durée : 01h30mn
QCU (3 pts):
1. Laquelle des propositions suivantes est des utilisations courantes des RNN ? (0.5 pts)
A. Fournir une description aux images
B. Détecter les transactions frauduleuses par carte de crédit
C. Entreprises Aider les négociants en valeurs mobilières à générer des rapports analytiques
D. Toutes ces réponses
2. Donner le paramètre qu’on ne peut pas le configurer dans le processus d'entraînement d’un modèle
séquentiel keras avec la méthode compile.
(0.5 pts)
a. Loss
b. Optimizer
c. Batchs
d. Metrics
3. CNN est surtout utilisé lorsqu’il y a ___________ (0.5 pts)
a. Des données structurées
b. Des données non structurées
c. Les deux A et B
d. Aucune de ces réponses
4. Le nombre de nœuds de la couche d’entrée est 10 et celui de la couche cachée est 5. (0.5 pts)
Le nombre maximal de connexions de la couche d’entrée à la couche cachée est de ?
a. 50
b. Moins de 50
c. Plus de 50
d. C’est une valeur arbitraire
5. Combien de nœuds d’entrée sont nécessaires pour traiter une image colorée (R, G, B) de 64*64 ? (0.5 pts)
◻ A. 12288
◻ B. 4096
◻ C. 12088
◻ D. 8192
6. Lequel des énoncés suivants est FAUX concernant loss function ? (0.5 pts)
A. S’applique sur tous le modèle
B. Elle contient la fonction d’activation
C. Elle est unique dans chaque réseau
D. Aucune réponse
Questions réponses (17 pts)
Partie perceptron simple : (8 pts)
1. Énoncer les équations de feed forward pour un réseau de neurones de 3 couches, la première couche comporte
un 3 neurones, la deuxième 5 neurones et la dernière 1 seul neurone. Sachant que ce réseau traite un problème de
régression qu’elle est la formule du loss (2 pts)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….……………………………………………………………………………………………………………………………………….
2. Citer les avantages de l’utilisation d’un mini-batch et son effet sur la convergence
(1 pt)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………….
3. Citer 3 hyper paramètres dans un réseau de neurones simples. (1 pt)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………………………………………………………………………………………………………………………………………………….
4. Vous disposez de la data qui décrit les cell_phones de taille (2000,21) qui est utilisée pour prédire la rangée
de prix de chaque cell-phone (attribut : price_range) selon les 20 autres caractéristiques. Ci-dessous les
figures qui décrivent ces données.
4.1 Décrire le nombre de neurones pour la couche d’input et la couche de sortie. (1 pt)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….
Quelles sont les paramètres que vous devez fixer dès le départ. (1 pt)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….
4.2 La performance du modèle peut être évaluée grâce à plusieurs indicateurs. (2 pts)
Citer deux indicateurs.
Réponse : ………………………………………………………………………………………………………………
Expliciter comment on utilise ces indicateurs pour savoir le modèle le plus performant.
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….
Partie CNN : ( 6 pts)
1. Expliciter les différentes parties d’une architecture CNN. (3 pts)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….
2. Ayant cette partie dans une architecture de convolution :
Image en couleur de taille 6*6.
3 filtres de taille (3*3)
Les valeurs des biais différentes des 0.
Déduire la dimension du première feature map. (1 pt)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….………………………………………………………………………………………………………………………………………..
Déduire le nombre des paramètres pour la première couche. (2 pts)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….…………………………………………………………………………………………………………………………………………
Partie RNN : (3 pts)
1. Expliciter les limites de RNN par rapport à une longue séquence d’input. (1 pt)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….…………………………………………………………………………………………………………………………………………
2. Quelle est la différence entre LSTM et RNN : (2 pts)
Réponse :
……………………………………………………………………………………………………………………………………………………………………………………
………………………………………….…………………………………………………………………………………………………………………………………………
Bon travail