📝 QCM d'auto-évaluation - Module 1 : Fondamentaux du Deep Learning

Ce QCM vous permettra d'évaluer votre compréhension des concepts fondamentaux du Deep Learning vus durant cette première séance.

✅ Instructions

Cochez la ou les réponses correctes pour chaque question
Certaines questions peuvent avoir plusieurs réponses correctes
Pour les questions à choix multiples, 0,5 point est attribué par réponse correcte (maximum 1 point par question)
À la fin du questionnaire, calculez votre score grâce au corrigé fourni
Durée recommandée : 20 minutes

🔍 Partie 1 : Introduction pratique

1. Dans le "Hello World" du Deep Learning avec MNIST, que représentent les données d'entrée ?

Des échantillons de texte manuscrit
Des images de chiffres manuscrits de 0 à 9
Des enregistrements audio de chiffres prononcés
Des coordonnées de points représentant des chiffres

2. Lors de la normalisation des données d'image MNIST, pourquoi divise-t-on les valeurs des pixels par 255 ?

Pour compresser les images et économiser de la mémoire
Pour ramener toutes les valeurs entre 0 et 1
Pour augmenter la vitesse de traitement
Pour convertir les images en noir et blanc

3. Parmi ces applications, laquelle n'est PAS un exemple typique de Deep Learning présenté dans l'introduction pratique ?

GitHub Copilot pour la complétion de code
Reconnaissance d'objets en temps réel
Génération de texte contextuel
Analyse statistique de données tabulaires

4. Lors de l'expérimentation avec le modèle MNIST, quel paramètre a le plus d'influence sur le temps d'entraînement ?

Le nombre d'époques
La taille du batch
Le type de fonction d'activation
Le nombre de classes de sortie

5. Quels sont les avantages observés du Deep Learning dans votre première expérience pratique ? (plusieurs réponses possibles)

Capacité à traiter directement des images brutes
Pas besoin de prétraitement des données
Apprentissage automatique des caractéristiques importantes
Reconnaissance robuste malgré des variations dans les entrées
Facilité d'implémentation et d'entraînement

🧩 Partie 2 : Concepts fondamentaux

6. Quelle est la principale différence entre le Machine Learning classique et le Deep Learning concernant les caractéristiques (features) ?

Le Machine Learning classique fonctionne avec moins de données
Le Deep Learning extrait automatiquement les caractéristiques pertinentes
Le Machine Learning classique ne nécessite pas de phase d'entraînement
Le Deep Learning demande moins de puissance de calcul

7. Quels sont les composants fondamentaux d'un réseau de neurones ? (plusieurs réponses possibles)

8. Dans un réseau de neurones, qu'est-ce qu'une "couche cachée" ?

Une couche qui n'est pas visible dans le code
Une couche située entre la couche d'entrée et la couche de sortie
Une couche qui ne s'active que dans certaines conditions
Une couche utilisée uniquement pendant la phase de test

9. En observant le schéma d'un neurone artificiel, quelles opérations mathématiques sont appliquées dans l'ordre correct ?

Multiplication → Addition → Fonction d'activation
Addition → Multiplication → Fonction d'activation
Fonction d'activation → Multiplication → Addition
Multiplication → Fonction d'activation → Addition

10. Lors de la comparaison entre Machine Learning classique et Deep Learning sur des données bruitées, qu'avez-vous observé ?

Les deux approches ont des performances similaires
Le Machine Learning classique est plus robuste au bruit
Le Deep Learning maintient généralement de meilleures performances
Les deux approches échouent complètement avec des données bruitées

🛠️ Partie 3 : Mini-projet individuel

11. Dans le mini-projet, quelle modification a généralement le plus d'impact positif sur les performances du modèle CNN ?

Ajouter une couche de convolution supplémentaire
Augmenter simplement le nombre de neurones dans les couches existantes
Changer l'optimiseur d'Adam à SGD
Réduire le nombre d'époques d'entraînement

12. Quel est l'effet principal de l'ajout d'une couche de Dropout dans un modèle de Deep Learning ?

Accélération de l'entraînement
Réduction du surapprentissage (overfitting)
Amélioration des performances sur les données complexes
Simplification de l'architecture du réseau

13. Analysez ce graphique d'entraînement. Quelle affirmation est correcte ?

Précision
^
|
|      ****     *******
|    **               ******
|   *                        ******
|  *
| *
|*
+---------------------------------> Époques
  — Entraînement   .... Validation

Le modèle n'apprend pas correctement
Le modèle souffre de surapprentissage
Le modèle souffre de sous-apprentissage
Le modèle généralise parfaitement

14. Lors du test du modèle sur des données bruitées, quelle modification tend à améliorer le plus la robustesse ?

Augmentation du nombre d'époques
Ajout de couches de Dropout
Réduction du nombre de neurones
Changement de la fonction d'activation

15. Quelle relation décrit le mieux le lien entre les trois phases du Module 1 ?

Chaque phase est indépendante et peut être étudiée séparément
La Phase 1 fournit l'expérience pratique, la Phase 2 explique les concepts, et la Phase 3 applique ces connaissances
Les phases doivent obligatoirement être suivies dans l'ordre pour comprendre le Deep Learning
Les phases représentent trois approches alternatives pour apprendre le Deep Learning

Auto-évaluation

Une fois le QCM complété, vérifiez vos réponses avec le corrigé ci-dessous et calculez votre score.

Corrigé avec explications

b - Des images de chiffres manuscrits de 0 à 9
Le dataset MNIST contient 70 000 images en niveaux de gris de chiffres manuscrits, format standard pour débuter en Deep Learning.
b - Pour ramener toutes les valeurs entre 0 et 1
La normalisation des valeurs de pixels (qui sont initialement entre 0 et 255) permet de stabiliser l'entraînement et d'accélérer la convergence du modèle.
d - Analyse statistique de données tabulaires
C'est typiquement un cas où le Machine Learning classique est plus approprié que le Deep Learning. Les autres options sont des applications typiques de Deep Learning présentées dans l'introduction.
a - Le nombre d'époques
Une époque représente un passage complet sur toutes les données d'entraînement. Augmenter le nombre d'époques multiplie proportionnellement le temps d'entraînement.
a, c, d - Capacité à traiter directement des images brutes, Apprentissage automatique des caractéristiques importantes, Reconnaissance robuste malgré des variations dans les entrées
Le Deep Learning requiert généralement un prétraitement (normalisation), donc b est incorrect. Il n'est pas nécessairement plus facile à implémenter que le ML classique, donc e est incorrect.
b - Le Deep Learning extrait automatiquement les caractéristiques pertinentes
C'est la différence fondamentale : le ML classique nécessite une extraction manuelle des caractéristiques alors que le DL les apprend automatiquement à partir des données brutes.
a, b, c, e - Neurones, Poids et connexions, Fonctions d'activation, Biais
Les instructions conditionnelles ne font pas partie de la structure standard d'un réseau de neurones.
b - Une couche située entre la couche d'entrée et la couche de sortie
Les couches cachées sont responsables de l'extraction progressive des caractéristiques et sont situées entre l'entrée et la sortie du réseau.
a - Multiplication → Addition → Fonction d'activation
Dans un neurone artificiel, on multiplie d'abord les entrées par les poids, puis on additionne ces produits avec le biais, et enfin on applique la fonction d'activation.
c - Le Deep Learning maintient généralement de meilleures performances
Grâce à sa capacité à extraire des caractéristiques hiérarchiques complexes, le Deep Learning est souvent plus robuste aux variations et au bruit dans les données.
a - Ajouter une couche de convolution supplémentaire
Cette modification permet au réseau d'extraire des caractéristiques plus complexes et plus abstraites, améliorant généralement les performances sur MNIST.
b - Réduction du surapprentissage (overfitting)
Le Dropout désactive aléatoirement des neurones pendant l'entraînement, ce qui empêche le réseau de trop s'adapter aux données d'entraînement et améliore la généralisation.
b - Le modèle souffre de surapprentissage
Le graphique montre que la précision sur les données d'entraînement continue d'augmenter alors que celle sur les données de validation commence à diminuer, signe classique de surapprentissage.
b - Ajout de couches de Dropout
Le Dropout améliore la robustesse du modèle en le forçant à ne pas dépendre excessivement de certains neurones, ce qui le rend plus performant sur des données bruitées ou légèrement différentes.
b - La Phase 1 fournit l'expérience pratique, la Phase 2 explique les concepts, et la Phase 3 applique ces connaissances
Cette structure suit l'approche pédagogique du module : pratique d'abord, conceptualisation ensuite, et application finale dans un projet.

Calcul de votre score

Questions à choix unique (1-4, 6, 8-15) : 1 point par réponse correcte
Questions à choix multiples (5, 7) : 0,5 point par réponse correcte et -0,25 par réponse incorrecte (minimum 0, maximum 1 point par question)

Total des points possibles : 15

Interprétation

12-15 points : Excellente maîtrise des concepts fondamentaux du Deep Learning
9-11 points : Bonne compréhension, quelques points à clarifier
6-8 points : Compréhension de base, révision nécessaire de certains concepts
0-5 points : Révision approfondie recommandée avant de poursuivre

Pour approfondir

Si vous avez obtenu moins de 12 points, nous vous recommandons de revoir les concepts sur lesquels vous avez fait des erreurs. Consultez les ressources suivantes :

Le notebook "Hello World du Deep Learning" (Phase 1)
La section "Concepts fondamentaux" du cours (Phase 2)
La "fiche d'observations du mini-projet d'amélioration" (Phase 3)
Le glossaire des termes du Deep Learning