Quiz sur les réseaux d'apprentissage profond
Traduit par
ScribdTranslationsQuiz sur les réseaux d'apprentissage profond
Traduit par
ScribdTranslationsQuiz du Module 2
Total des points 19/19
Total des points 10
Quiz noté • 30 min
E-mail*
nguyenquocmanh46k29.1@[Link]
1. Réseaux antagonistes génératifs :
1/1
Sont conçus pour répondre efficacement aux attaques de cybersécurité
Utilisez deux réseaux différents en tandem pour créer un contenu réaliste mais synthétique (par exemple, artificiel
images)
Aidez à traiter les préoccupations d'explicabilité dans les réseaux de neurones
Nécessite moins de données d'entraînement que d'autres réseaux de deep learning
2. Lequel des éléments suivants n'est PAS un avantage des réseaux d'apprentissage profond : ?*
1/1
Ils éliminent certaines des tâches de « feature engineering » requises dans un apprentissage automatique typique.
flux de travail
Tous les choix sont des avantages des réseaux de deep learning
Avec des quantités de données croissantes, elles deviennent de plus en plus précises
Ils fonctionnent beaucoup plus rapidement que les approches d'apprentissage automatique non basé sur l'apprentissage profond.
3. Lequel des éléments suivants n'est pas une « fonction de perte » utilisée pour évaluer la performance de
algorithmes d'apprentissage automatique ?
1/1
Rappel
Précision
Précision
Validité
4. Laquelle des fonctions de perte en apprentissage automatique fait référence à la fraction de
étiquettes que l'algorithme prédit correctement :*
1/1
validite
Précision
Précision
Rappel
5. Laquelle des fonctions de perte en apprentissage automatique suivantes mesure combien de
Les instances identifiées comme "positives" par l'algorithme sont-elles correctement identifiées ?
1/1
Validité
Précision
Rappel
Précision
6. Considérez un modèle qui prédit si un patient a une maladie et doit recevoir
un traitement particulier (correspondant à une recommandation positive de l'algorithme).
Lequel des indicateurs de performance suivants voudriez-vous minimiser pour un contexte
comme cela en supposant qu'il y a des coûts élevés pour un patient malade manquant le traitement
mais des coûts assez bas pour un patient bien portant recevant le traitement ?*
1/1
Faux négatifs
Faux positifs
Précision
Aucun choix n'est correct
7. Envoyer un ensemble de données sans les réponses prédites correctes (données non étiquetées) à un
plateforme de crowdsourcing pour les travailleurs indépendants pour ajouter les bonnes réponses (étiquettes) est un
exemple de :*
1/1
Une manière de générer des données d'entraînement qu'un algorithme d'apprentissage automatique peut utiliser pour apprendre
Un moyen de valider croisée la performance algorithmique
Une manière d'extraire des « caractéristiques » pertinentes d'un ensemble de données qu'un algorithme d'apprentissage automatique peut utiliser pour
apprendre
Une façon d'évaluer la performance de l'apprentissage automatique
8. Laquelle des options suivantes décrit le mieux le "surapprentissage" ?*
10/10
Aucun choix n'est correct
Un modèle qui s'adapte trop étroitement aux données d'entraînement, mais qui ne réussit pas à bien prédire
observations qui ne proviennent pas des données d'entraînement
Appliquer un modèle de prédiction à un ensemble de données dont les caractéristiques ne correspondent pas à celles de la
données d'entraînement
Former un réseau de neurones au-delà du point où la fonction de coût est minimisée
9. Quel est le rôle des données de test dans un flux de travail d'apprentissage automatique ? Sélectionnez tout ce qui s'applique*
1/1
Aucun des choix n'est correct
Il fournit un ensemble de données qu'un algorithme d'apprentissage automatique peut utiliser pour apprendre les paramètres de l'algorithme.
Les deux choix sont corrects
Il fournit un ensemble de données que le modèle n'a pas utilisé pour apprendre, sur lequel évaluer le modèle.
performance
10. Laquelle des déclarations suivantes est vraie au sujet de "l'ingénierie des caractéristiques", le processus utilisé pour
créer des mesures à partir des données brutes qu'un modèle d'apprentissage automatique utilise pour faire des
prédictions ?
1/1
C'est la dernière étape d'un flux de travail en apprentissage automatique
C'est moins important lorsqu'on utilise des données basées sur le texte.
Il est souvent difficile de créer des fonctionnalités efficacement sans avoir une certaine expertise dans le domaine pertinent.
domaine à partir duquel les données sont extraites
C'est plus important pour l'apprentissage profond que pour des techniques plus simples.