 Session 1

Année scolaire : 2022/2023

 Session 2

❑ I1FE ❑ I2FE ❑ I3FE

❑ CPi1 ❑ CPi2
❑ I1FA  I2FA ❑ I3FA/CP

❑ B3 IRC ❑ B3 DLW ❑ ERIS 1FE ❑ MS2D 1FE ❑ ERIS 2FE ❑ MS2D 2FE
❑ ERIS 1FA ❑ MS2D 1FA ❑ ERIS 2FA ❑ MS2D 2FA

❑ MRH 1
❑ ESSEL ❑ GRH
❑ MRH 2
Nature de l’épreuve DS  DSM ❑ EI ❑ TP ❑
MATIERE : Intelligence Artificielle Date de l’épreuve 28/10/22

ENSEIGNANT Romain Marie Durée 1h30

NOM : Page N° 1/

PRENOM :
Note /20
GROUPE

DOCUMENTS NON AUTORISES (sans précision dans le sujet, les calculatrices sont interdites)

Question 1 : Décrivez en quelques lignes ce que vous savez des concepts suivants :
- Phase d’apprentissage d’un réseau de neurones /1
- Préparation des données /1
- Fonction d’activation /1
- Dropout /1

Question 2 : Sachant que la fonction d’activation utilisée

est la fonction sigmoïde (représentée ci-dessous), quelle
sera (approximativement) la sortie du neurone ci-contre
pour un vecteur d’entrée X=(x1,x2,x3), avec x1=1,x2=1, et
x3=1 ? Et pour un vecteur d’entrée x1=0, x2=1, et x3=0 ?
Vous justifierez vos réponses en détaillant les calculs
réalisés, et en vous aidant de la figure ci-dessous. /1.5
Question 3 : Soit une image en niveau de gris représentée par la matrice ci-dessous :

0 1 0 1
1 0 1 0
0 1 0 1
1 0 1 0
1) Quel sera le résultat d’un maxpooling standard appliqué sur cette image ? /0.5
2) Quel sera le résultat de la convolution de cette image avec le noyau ci-dessous, sans padding
et avec un pas de 1 ? /0.5
3) Quel sera le résultat de la convolution de cette image avec le noyau ci-dessous, avec zéro
padding et un pas de 1 ? /0.5
0 1 0
1 0 1
0 1 0

Question 4 : On souhaite entrainer un réseau de neurones afin qu’il soit capable de reconnaitre des
guêpes, des frelons et des abeilles à partir de leurs caractéristiques. Des stagiaires ont été sollicités
pour référencer les caractéristiques principales de plusieurs de ces insectes. Le tableau ci-dessous
présente leurs observations :

Taille Poids Couleur Type

11mm 63mg Brun Abeille
13mm 78mg Brun Abeille
22mm 223mg Brun Abeille (reine)
17mm 101mg Jaune Guêpe
14mm 88mg Jaune Guêpe
23mm 208mg Jaune Frelon
28mm 421mg Jaune Frelon

1) En argumentant, quelle est la nature de ce problème ? /0.5

2) Expliquez pourquoi un one-hot encoder est nécessaire ici. Présentez le résultat qu’il permet
d’obtenir /1
3) Représentez graphiquement ces données (approximativement) sans tenir compte de la
couleur. Discuter de la possibilité et de la pertinence d’entrainer un unique neurone afin qu’il
différencie les frelons des autres espèces. /2
4) Proposez une structure de réseau de neurones cohérente pour aborder ce problème dans son
ensemble. /1
Question 5 : Un réseau de neurone convolutif a été mis en place avec Keras. En utilisant les
informations fournies par ce résumé, répondez aux questions suivantes (en justifiant bien sûr à chaque
fois)

1) Quelle commande Keras permet d’obtenir l’affichage ci-dessus ? /0.5

2) Pourquoi la sortie de la deuxième couche est-elle un volume de 14x14x6 ? /1
3) Sachant qu’ils sont carrés, quelle est la taille des noyaux utilisés dans la troisième couche ?
Vous justifierez votre réponse. /1
4) Pourquoi la couche « Flatten » est-elle indispensable ? Pourquoi sa sortie est-elle de
dimension 400 ? /1
5) Pourquoi la première couche dense a-t-elle 48120 paramètres ? /0.5
6) Pourquoi la dernière couche dense a-t-elle 10 sorties ? /0.5
7) Pourquoi Total params est-il égal à Trainable params ? /0.5

Question 6 :

1) Sachant que le sujet traité est un problème de classification, quelle fonction d’activation
proposez-vous d’utiliser dans la dernière couche ? Vous détaillerez ce que vous en savez. /1
2) Que faut-il ajouter à ce code source (et où) pour qu’il soit valide. /0.5
3) Quelle est la différence entre X_train et X_test ? Vous préciserez bien le rôle de chacun /1
4) Combien de poids/paramètres contient ce réseau au total ? Vous donnerez le détail du
calcul, pas le résultat final /1