Quiz sur les réseaux de neurones

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Dans le neurone jouet, l'entrée 0.8 est multipliée par 0.6 avant qu'un biais ne soit ajouté. Qu'est-ce que le 0.6 ?
   • Le biais ajouté à chaque somme pondérée
   • Le poids appliqué à la première entrée
   • Une étiquette cible mise de côté
   • La sortie finale après activation
2. Que font les couches cachées entre l'entrée et la sortie ?
   • Transformer les entrées en représentations intermédiaires utilisées par les couches suivantes
   • Stocker les étiquettes d'entraînement d'origine inchangées
   • Sélectionner la réponse finale sans calcul
   • Remplacer le besoin d'une couche de sortie
3. Quel rôle joue ReLU lorsqu'il est appliqué à une valeur ?
   • Il calcule la perte par rapport à une cible
   • Il met à jour les poids à l'aide d'un taux d'apprentissage
   • Il attribue l'étiquette de classe correcte
   • Il renvoie zéro pour une entrée négative et laisse passer une entrée positive
4. Que fournit la rétropropagation au processus d'entraînement ?
   • Les valeurs des paramètres finaux après l'optimisation
   • Des gradients décrivant comment les paramètres affectent la perte
   • Une garantie de la meilleure solution globale
   • Un ensemble de test séparé pour mesurer la généralisation
5. Comment faut-il comprendre l'analogie du cerveau pour les réseaux de neurones ?
   • Les neurones artificiels sont des abstractions mathématiques, pas des neurones biologiques
   • Les réseaux modernes reproduisent les cellules cérébrales dans les moindres détails
   • Un réseau réussi prouve une compréhension semblable à celle des humains
   • Chaque couche du réseau correspond exactement à une région du cerveau
6. In the guide’s toy neuron, input 1.5 produces a weighted sum of -0.02. What does ReLU output?
   • 1.5 because ReLU preserves the input
   • -0.02 because ReLU preserves every sum
   • 0.02 because ReLU removes the negative sign
   • 0 because ReLU maps negative values to zero
7. What happens when linear transformations are stacked without nonlinear activations?
   • Their composition is still linear
   • The stack automatically becomes nonlinear because it is deeper
   • Backpropagation turns the stack into a classifier
   • Each layer becomes an independent probability
8. Why should a numeric output and category scores be interpreted differently?
   • A numeric output is always a confidence percentage
   • Category scores are guaranteed probabilities
   • Output meaning depends on the task and the chosen output layer
   • Every output layer returns a class label