Considérez un modèle de perceptron simple entraîné à diagnostiquer la grippe chez des patients à partir de trois marqueurs simples. Supposons que le point de données suivant dans l'ensemble d'entraînement soit , et supposons que la classification correcte pour cette combinaison de marqueurs soit (grippe diagnostiquée). Avec les poids actuels et le biais , le perceptron diagnostique-t-il correctement que le patient a la grippe ? Si ce n'est pas le cas, utilisez la règle d'apprentissage du perceptron avec pour mettre à jour les poids et le biais. Y a-t-il une amélioration dans la classification de ce point de données ?
2.
Pour chaque scénario, déterminez si un réseau de neurones standard, un réseau de neurones récurrent (RNN) ou un réseau de neurones convolutif (CNN) serait le plus approprié. Expliquez votre choix en détaillant les avantages et les inconvénients de chaque type de réseau pour le scénario donné.
a.
Une entreprise souhaite analyser les avis des clients afin de déterminer s'ils sont positifs, négatifs ou neutres. Les avis sont fournis sous forme de données textuelles et l'entreprise souhaite comprendre le sentiment général de chaque avis.
b.
Une société d'investissement développe un modèle pour prédire les cours futurs des actions à partir de données historiques de prix. L'entreprise souhaite prendre en compte les tendances, les motifs et les dépendances temporelles dans les données.
c.
Une entreprise technologique développe un modèle pour classer des images dans différentes catégories, telles que « chat », « chien » et « voiture ». Les données d'entrée sont composées d'images individuelles.
d.
Une entreprise souhaite prédire si un client est susceptible de résilier son abonnement en se basant sur diverses caractéristiques, telles que les données démographiques des clients, la durée de l'abonnement, les interactions avec le client et les habitudes d'utilisation.
3.
Les caractères de certaines polices informatiques sont représentés par des tableaux de valeurs de couleur ou de niveaux de gris, appelés bitmaps. Consultez le bitmap 9 par 9 suivant représentant le caractère hiragana japonais « a », dans lequel chaque nombre indique l'une des deux valeurs de couleur, 0 pour le blanc et 1 pour le noir, pour chaque pixel.
Voici à quoi le caractère pourrait ressembler lorsqu'il est rendu :
Partitionnez le tableau du bitmap en blocs de 2 par 2 et utilisez la méthode de sous-échantillonnage par moyenne pour réduire la taille du bitmap. Remarque : comme les dimensions du tableau initial ne sont pas divisibles par 2, vous devez compléter le tableau en ajoutant une colonne de zéros à droite et une ligne de zéros en bas. Comment le bitmap résultant pourrait-il être interprété visuellement ?
4.
Quelles fonctions de perte seraient les plus appropriées pour entraîner un réseau de neurones pour les tâches suivantes ? Pourquoi ?
a.
Prédire la température en fonction du jour de l'année, de la vitesse récente du vent, des précipitations et des températures antérieures
b.
Classer des courriels comme étant des spams ou non à partir de leur contenu
c.
Classer une image dans l'une des différentes catégories, telles que les animaux, les véhicules ou les plantes
d.
Diagnostiquer le cancer chez des patients à partir d'indicateurs multiples
