• 12 heures
  • Moyenne

Ce cours est visible gratuitement en ligne.

course.header.alt.is_video

course.header.alt.is_certifying

J'ai tout compris !

Mis à jour le 12/02/2021

Partie 2

Connectez-vous ou inscrivez-vous gratuitement pour bénéficier de toutes les fonctionnalités de ce cours !

Compétences évaluées

  • Appréhender les réseaux de neurones multi-couches et la backpropagation
  • Comprendre le fonctionnement du perceptron
  • Question 1

    Considérons la fonction binaire ET, représentée sur le diagramme ci-dessous. Les données sont en 2 dimensions, chacune de ces dimensions peut prendre la valeur 0 ou 1, et l'étiquette y vaut le ET logique entre les deux coordonnées.

    Peut on séparer les points bleus des points orange ?
    Peut on séparer les points bleus des points orange ?
    • Un perceptron peut apprendre cette fonction.

    • Un perceptron ne peut pas apprendre cette fonction.

    • Un perceptron multi-couche peut apprendre cette fonction.

    • Un perceptron multi-couche ne peut pas apprendre cette fonction.

  • Question 2

    Peut-on séparer les points bleus des points orange ?
    Peut-on séparer les points bleus des points orange ?

    Considérons la fonction binaire XOR, représentée sur le diagramme ci-dessous. La fonction XOR vaut 1 quand les deux variables sont opposées (l'une à 0, l'autre à 1) et 0 si elles sont égales.

    • Un perceptron peut apprendre cette fonction.

    • Un perceptron multi-couche avec une couche intermédiaire peut apprendre cette fonction.

    • Seul un perceptron multi-couche avec plus d'une couche intermédiaire peut apprendre cette fonction.

    • Aucun réseau de neurones ne peut apprendre cette fonction.

  • Question 3

    J'ai essayé d'appliquer des algorithmes linéaires à mes données, mais leur performance laissait à désirer. Je pense qu'une fonction non-linéaire complexe serait plus appropriée. J'ai quelques centaines d'observations.

    • Je construis un réseau de neurones à 3 couches cachées avec 100 neurones chacun : un tel réseau a certainement suffisamment de flexibilité pour trouver la bonne fonction de décision !

    • Je construis un réseau de neurones avec une couche intermédiaire et peu de neurones dedans : je ne veux pas avoir plus de paramètre dans mon réseau que d'observations dans mes données.

    • Avec aussi peu d'observations, je n'arriverai jamais à construire un modèle non-linéaire.