Accueil>Tests>Questions>Gradient descent est un algorithme d'optimisation utilisé pour entraîner des réseaux de neurones. Son objectif est de modifier les paramètres du modèle jusqu'à trouver un des minima locaux de la fonction de coût (<=> des valeurs de poids et de biais très efficaces).
Question du test Deep learning - Les bases
Gradient descent est un algorithme d'optimisation utilisé pour entraîner des réseaux de neurones. Son objectif est de modifier les paramètres du modèle jusqu'à trouver un des minima locaux de la fonction de coût (<=> des valeurs de poids et de biais très efficaces).
Difficile
Compléter la phrase : l’algorithme de descente de gradient est un algorithme d’optimisation utilisé pour entraîner le réseau de neurones. Son objectif est de modifier ses paramètres jusqu’à trouver…
Auteur: MartinStatut : PubliéeQuestion passée 192 fois
Modifier
0
Évaluations de la communautéPersonne n'a encore évalué cette question, soyez le premier !
1
Afin d'obtenir de bons résultats lors de la mise en œuvre de l'apprentissage profond, il faut préparer ses données avant de les utiliser. Quelle action **PEUT** être effectuée pendant cette préparation?12
Quelle est la relation entre l'intelligence artificielle (IA), l'apprentissage automatique et l'apprentissage profond?9
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.1
Quels sont les processus suivants qui sont des processus d'apprentissage automatique mais qui ne sont pas particulièrement liés à l'apprentissage profond?1
Quel type de réseau de neurones est le meilleur pour le traitement d'images?6
Donné un réseau de neurones avec 4 entrées, combien de connexions pourraient exister entre la couche d'entrée et la première couche cachée?1
En deep learning, le jeu de validation est utilisé pour fournir des évaluations fréquentes et non biaisées de l'adéquation du modèle sur le jeu d'entraînement tout en ajustant ses hyperparamètres/paramètres: en d'autres termes, le modèle est trouvé et ensuite testé sur le jeu de validation avant d'être amélioré une fois de plus.