Accueil>Tests>Questions>Quelle est la réponse manquante dans la phrase suivante : D'une part, le réseau de propagation avant ne peut traiter les données que dans le sens avant. D'autre part, le réseau neuronal ___ possède des boucles de rétroaction (l'écart entre la sortie réelle et celle que vous souhaitez est renvoyé aux poids).
Question du test Deep learning - Les bases
Quelle est la réponse manquante dans la phrase suivante : D'une part, le réseau de propagation avant ne peut traiter les données que dans le sens avant. D'autre part, le réseau neuronal ___ possède des boucles de rétroaction (l'écart entre la sortie réelle et celle que vous souhaitez est renvoyé aux poids).
Intermédiaire
Les réseaux de neurones à propagation avant ne peuvent que faire passer des données depuis l’avant vers l’arrière. Néanmoins, les réseaux de neurones _____ possèdent des boucles de feedback (l’écart entre les résultats obtenus et ceux attendus est renvoyés aux poids du modèle). Quel est le mot manquant?
Auteur: MartinStatut : PubliéeQuestion passée 221 fois
Modifier
0
Évaluations de la communautéPersonne n'a encore évalué cette question, soyez le premier !
1
Quel type de réseau de neurones est le meilleur pour le traitement d'images?15
Quel est le mot manquant dans la phrase suivante : Overfitting est la production d'un modèle qui correspond trop étroitement à l'ensemble de données d'apprentissage et peut donc ne pas s'adapter à d'autres ensembles de données et donc ne pas effectuer de prévision fiable.4
Quels sont les processus suivants qui sont des processus d'apprentissage automatique mais qui ne sont pas particulièrement liés à l'apprentissage profond?14
Quelle est la relation entre l'intelligence artificielle (IA), l'apprentissage automatique et l'apprentissage profond?8
Donné un réseau de neurones avec 4 entrées, combien de connexions pourraient exister entre la couche d'entrée et la première couche cachée?1
Comment définir l'apprentissage non supervisé ? Dans l'apprentissage non supervisé...2
La validation croisée est une technique utilisée pour évaluer les modèles DL (deep learning) (et les modèles ML en général). La méthode consiste à entraîner plusieurs modèles sur des sous-ensembles des données d'entrée et à les évaluer sur le sous-ensemble complémentaire de ces mêmes données. Elle vise à éviter le surapprentissage.