Scribd
Importer
19 vues2 pages

Gestion des enseignements en Deep Learning

Le document présente un devoir surveillé en Deep Learning pour une classe de Master Data Science, avec des exercices portant sur les poids, biais, et fonctions d'activation dans les réseaux de neurones. Les étudiants doivent effectuer des calculs liés à la sortie d'un réseau et répondre à des questions sur l'impact de la fonction sigmoïde et les problèmes de convergence. Le devoir est noté sur 20 et dure 1 heure, sans documents autorisés.

Transféré par

kaoutherbenali03
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
19 vues2 pages

Gestion des enseignements en Deep Learning

Le document présente un devoir surveillé en Deep Learning pour une classe de Master Data Science, avec des exercices portant sur les poids, biais, et fonctions d'activation dans les réseaux de neurones. Les étudiants doivent effectuer des calculs liés à la sortie d'un réseau et répondre à des questions sur l'impact de la fonction sigmoïde et les problèmes de convergence. Le devoir est noté sur 20 et dure 1 heure, sans documents autorisés.

Transféré par

kaoutherbenali03
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

Processus : Gestion des enseignements

Code : [Link].031
Version : 01
D.C : 15032024

Devoir Surveillé N°1


Novembre 2024
Semestre 1

Documents Autorisés : NON


Matière : Deep Learning
Calculatrice scientifique autorisée : OUI

Classe : 2 Master Data Science Enseignante : [Link] BEN ALI

Durée : 1H Date : 25/11/2024


Barème de notation : /20 Nombre de page : 2

Exercice 1 :

Les poids et le biais sont définis comme suit :

Les poids et le biais sont définis comme suit pour la couche de sortie :
Processus : Gestion des enseignements
Code : [Link].031
Version : 01
D.C : 15032024

1. Effectuez la somme pondérée pour calculer la sortie finale du réseau.


2. Calculer la fonction Sigmoid pour chaque neurone de la couche cachée.
3. Calculez l'erreur en utilisant l'erreur quadratique moyenne (MSE), si c’est le cas, sachant que
la sortie attendue est égale à 0.5.

Exercice2 :
Question 1: Quel est l'impact de l'utilisation de la fonction sigmoïde dans un MLP, surtout
lorsqu'il y a plusieurs couches cachées avec une justification de réponse ?

A) Les gradients de l'erreur peuvent diminuer de manière significative, ralentissant l'apprentissage


(vanishing gradient).
B) La sigmoïde permet au modèle d'apprendre des fonctions non linéaires de manière efficace.
C) Elle empêche l'apprentissage des fonctions linéaires.
D) Elle améliore la vitesse de convergence par rapport à ReLU.

Question 2: Vous entraînez un réseau de neurones multicouches (MLP) avec une fonction
d'activation sigmoïde sur un jeu de données de classification. Après quelques itérations, vous
remarquez que le modèle ne converge pas correctement.
Quelle est la principale raison de ce problème avec une justification pour votre réponse ?

A) La fonction d'activation sigmoïde peut entraîner une saturation des gradients, ralentissant
l'apprentissage.
B) Le taux d'apprentissage est trop faible, empêchant une mise à jour efficace des poids.
C) Le MLP ne dispose pas d'assez de couches pour apprendre des relations complexes.
D) Les poids sont initialisés de manière incorrecte, ce qui empêche le modèle de converger.

Question 3:
Comparer les performances d'un perceptron et d'un perceptron multicouches (MLP). Quelles sont les
autres architectures de réseaux de neurones profonds?

Bon courage

Vous aimerez peut-être aussi