Scribd
Importer
3 vues1 page

Examen Réseaux de Neurones ML&AI

Le document est un examen final pour un cours sur les réseaux de neurones dans le cadre d'un Bachelor en ML&AI. Il comprend des questions théoriques sur les réseaux de neurones, la rétropropagation, le surapprentissage et des exercices pratiques sur un réseau multicouche. Les étudiants doivent également effectuer des calculs de propagation avant et arrière, ainsi que des évaluations de performance à l'aide de métriques spécifiques.

Transféré par

mohamed.ayad13
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 vues1 page

Examen Réseaux de Neurones ML&AI

Le document est un examen final pour un cours sur les réseaux de neurones dans le cadre d'un Bachelor en ML&AI. Il comprend des questions théoriques sur les réseaux de neurones, la rétropropagation, le surapprentissage et des exercices pratiques sur un réseau multicouche. Les étudiants doivent également effectuer des calculs de propagation avant et arrière, ainsi que des évaluations de performance à l'aide de métriques spécifiques.

Transféré par

mohamed.ayad13
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

Bachelor ML&AI

Intro. Réseaux de Neurones


Examen Final
6 fév. 2025

Faculté des Sciences - Tétouan


Département de Mathématiques
Pr. Y. El Yazidi

Exercice 1 (Questions de cours).


1. Définir un réseau de neurones.
2. Quel est le rôle d’une fonction d’activation dans un réseau de neurones ?
3. Expliquer l’importance de la phase de rétropropagation (backpropagation).
4. Définir les phénomènes de surapprentissage (overfitting) et de sous-apprentissage (un-
derfitting).
5. Citer quatre métriques d’évaluation utilisées dans les réseaux de neurones et discuter des
différences entre elles.

Exercice 2. Considérons le réseau de neurones multicouche décrit par le graphe


suivant :

[Schéma du réseau de neurones avec entrées x1 , x2 , poids w1 à w6 , biais b1 , b2 , b3 , neurones


u1 , u2 et sortie ŷ]

La fonction d’activation considérée pour toutes les unités/neurones est la fonction ReLU.
1. Dériver les formules mathématiques qui déterminent les sorties intermédiaires u1 , u2 ainsi
que la sortie finale ŷ.
2. Étant donnée la fonction d’Erreur Quadratique Moyenne (MSE). En appliquant l’algo-
rithme de rétropropagation, trouver les expressions de mise à jour pour les paramètres
wj pour j = 1, . . . , 6 et bj pour j = 1, . . . , 3.
3. Soit x1 = [1, 1, 0, 0], x2 = [0, 1, 0, 1], et y = [1, 0, 0, 1] avec les valeurs initiales suivantes :
i 1 2 3 4 5 6 i 1 2 3
wi 0.5 1 -0.5 1 0.5 -0.5 bi 1 -1 -1
Effectuer la phase de propagation avant (forward phase).
4. Avec un taux d’apprentissage η = 0.01, effectuer la phase de rétropropagation.
5. Après 199 itérations, les poids et biais mis à jour sont les suivants :
i 1 2 3 4 5 6 i 1 2 3
wi 0.485 0.985 -0.5 1 0.421 -0.5 bi 0.985 -1 -1.032
Effectuer la passe avant pour calculer la nouvelle prédiction.
6. Calculer les métriques : Exactitude (Accuracy), Précision et Rappel (Recall). Que remarquez-
vous, où pensez-vous que se situe le problème et comment pourrions-nous le résoudre ?

Vous aimerez peut-être aussi