Académique Documents
Professionnel Documents
Culture Documents
Exercice I : (7 points)
1. Quelles sont Jes principales faiblesses d'un perceptron ?
2. C'est quoi le role de la fonction d'activation dans un neurone ?
3. Pour le cas des arbres de decision, a quel moment peut-on parler de overfitting (surapprentissage) ? comment
peut on remedier ce probleme?
4. Decrire puis ecrire l'algorithme de K-means.
S. Donner un reseau de neurones d'apprentissage non supervise. Decrire le.
6. Est-ce qu'on peut parler de sur-apprentissage des modeles d'apprentissage non supervise? donner un exemple.
Exercice 2: (6 points)
On considere I' echantillon suivant :
No TO Tl T2 T3 Classe
1 1 () V N A
2 l l V I A
3 1 0 F 01 B I
4 2 I V N A
,:; ') I V n A
6 2 l F N A
7 2 0 F 0 B
8 2 0 V I A
9 1 0 F N B .
10 1 1 \l I B
1l ') 1 l:;' () A
12 2 I F I A
13 - · - ••I ·•·· - ..0 -V 0 B
1. Soit l'ensemble d'apprentissage constitue des exemples {l ,. ., 9 }. Construire l'arbre de
decision.
2. Classer Jes exemples de test
Exercice 3 : (7 points)
Soit le schema suivant qui represente un neurone :
l) En fonction des donnees montrees sur le schema, donner Jes expressions nume-riques qu'il faut puis
calculer la sortie correspondante
2) Calculer Loss trouvee dans la sortie sachant que le resultat attendu est )=O. 1
•
3) Eu se basant sur l'algvrithme de bacr(propagaiion
1 L • 1
et c,,airuuJ ' .
e, ecnre 1•'express1on
. ue...1 ac._n.u
owl
4) A partir de 3), ecrire )' expression numerique de ill.ass
owl
Les calculs et fonnules suivants peuv ent vous servir:
1 iJpredi ct ed == __ 1_ (l - _ _1_}' Los s ==
1 2
predicted= f(s) = 1 + e-s iJs 1 + e-s 1 + e-s 2 (desired - predicted)
I
1,.''a211 e 1=2.7I
-j