Information

Deadline Καμία προθεσμία
Submission limit No limitation

Συνδεθείτε

[QCM] Introduction

Bienvenue dans cette série de tâches Inginious sur le concept du réseau neuronal.
De la même manière que dans les exercices préparatoires, notre réseau tentera de reconnaître une ligne verticale d'une ligne horizontale sur une image/grille de 3x3 en noir et blanc.

Définition

Le concept du réseau de neurones est une méthode de classification et d'apprentissage supervisé :

Classification
Attribuer une classe ou catégorie à chaque objet à classer
Apprentissage supervisé
Désigne la tâche d’apprentissage automatique consistant à apprendre une fonction de prédiction à partir d’exemples annotés
Base de données d'apprentissage
Ensemble des exemples annotés utilisés dans l'apprentissage supervisé
Note bien ici que ce processus se déroule en 2 étapes:
  1. Apprentissage supervisé : on va "entraîner" le modèle afin qu'il soit capable de classifier d'une certaine façon. Pour ce faire, on va lui donner une série d'exemples, pour lesquels il connaît les catégories de chacun d'entre eux.
  2. Classification: après que notre modèle aie été entraîné, il sera capable de classifier/distinguer/reconnaître ce pour quoi il a été entraîne à reconnaître dans l'étape précédente, c'est-à-dire assigner la bonne catégorie à un nouvel exemple, non utilisé à l'étape précédente et dont la vraie catégorie n'est pas donnée.

Réseau de neurone

1. Apprentissage supervisé

Dans tous les exercices, cette étape a déjà été faite pour toi

Afin d’entraîner un réseau de neurones à classifier des éléments bien particulier, il existe des algorithmes informatique bien particulier. L'objectif de cette étape est qu'à la fin de l’apprentissage, les valeurs des poids assignés aux différents neurones soient fixés de manière à ce que les neurones de la couche de sortie prédisent ce que l'on souhaite classifier.
L'idée générale de l'algorithme d'entrainement est la suivante :
1. On mets tout les poids à 0 et on fixe ce que chaque neurone de la couche de sortie est censé classifier
2. On n'utilise en entrée des éléments qu'on souhaite pouvoir être classifié dont on connait aussi le résultat de la classification
3. A chaque nouvelle entrée, on mets à jour les poids de manière à ce qu'ils améliorent la précision du réseau (une entrée X est correctement prédite comme étant X)

2. Classification

Cette étape se déroule après que l'apprentissage supervisé a eu lieu. Donc, à ce stade, les poids du réseau sont fixés et chaque neurone de la couche de sortie permet de prédire un certain résultat.

Dans le cas d'un réseau de neurones, la classification d'une entrée X est découpée en plusieurs étapes distinctes:
1. Calculer la valeur des neurones de la couche d'entrée à partir d'une entrée X
2. Calculer la valeur des neurones des autres couches une par une
3. Tirer une conclusion de la couche de sortie

Ce sont chacune de ces 3 étapes que tu devras réaliser pas-à-pas dans les tâches qui vont suivre



Ci-dessous, tu trouveras un QCM (Questionaire à Choix Multiple), qui résume l'ensemble des informations importantes pour la suite des tâches.
Les réponses se trouvent dans le texte plus haut ainsi que dans les exercices réalisés précédemment.

Question 1:

Combien d'étape il y a-t-il dans une méthode de classification et d'apprentissage supervisé ?

Question 2:

En quoi consiste la classification d'un exemple ?

Sélectionne TOUTES les bonnes réponses

Question 3:

Quel est l'ordre correct des étapes pour la classification d'un exemple dans un réseau neuronal ?