1. Qui est considéré comme le père des réseaux de neurones artificiels ? 10.

10. Quel est le rôle du biais dans un perceptron ?

a. Alan Turing a. Introduire une non-linéarité
b. Frank Rosenblatt b. Ajuster la sortie en fonction des entrées
c. Warren McCulloch et Walter Pitts c. Décaler la fonction d'activation
d. Geoffrey Hinton d. Initialiser les poids
Réponse : c Réponse : c
2. En quelle année le perceptron a-t-il été introduit ? 11. Quel est l'avantage d'un perceptron multicouche par rapport à un
a. 1943 perceptron simple ?
b. 1958 a. Il peut résoudre des problèmes non linéairement séparables
c. 1986 b. Il est plus rapide à entraîner
d. 2000 c. Il nécessite moins de données
Réponse : b d. Il n'a pas besoin de fonctions d'activation
3. Quel événement a conduit à un "hiver de l'IA" dans les années 1970 ? Réponse : a
a. Le succès du perceptron 12. Combien de couches cachées un MLP peut-il avoir ?
b. La découverte du backpropagation a. Une seule
c. Les limitations du perceptron révélées par Minsky et Papert b. Deux
d. L'invention de l'ordinateur quantique c. Un nombre quelconque
Réponse : c d. Aucune
4. Quel algorithme a relancé l'intérêt pour les réseaux de neurones dans les Réponse : c
années 1980 ? 13. Quelle fonction d'activation est couramment utilisée dans les couches
a. L'algorithme du gradient stochastique cachées d'un MLP ?
b. La rétropropagation a. Sigmoïde
c. L'apprentissage par renforcement b. ReLU
d. Les machines à vecteurs de support c. Fonction échelon
Réponse : b d. Linéaire
5. Quel est le nom du réseau de neurones qui a gagné le concours ImageNet Réponse : b
en 2012 ? 14. Quelle est la sortie d'un MLP ?
a. Le perceptron a. Une combinaison linéaire des entrées
b. AlexNet b. Une fonction non linéaire des entrées
c. Le réseau de Hopfield c. Une probabilité
d. Le Boltzmann machine d. Une valeur binaire
Réponse : b Réponse : b
6. Quel est le rôle de la fonction d'activation dans un perceptron ? 15. Quel est le rôle des poids dans un MLP ?
a. Calculer la somme pondérée des entrées a. Contrôler l'importance des entrées
b. Introduire une non-linéarité b. Introduire des non-linéarités
c. Initialiser les poids c. Initialiser les biais
d. Ajuster le taux d'apprentissage d. Ajuster le taux d'apprentissage
Réponse : b Réponse : a
7. Quelle fonction d'activation est couramment utilisée dans un perceptron ? 16. Quel est l'objectif de la propagation avant dans un réseau de neurones ?
a. Sigmoïde a. Calculer la sortie du réseau
b. ReLU b. Ajuster les poids
c. Fonction échelon (step function) c. Minimiser la fonction de perte
d. Tangente hyperbolique d. Initialiser les paramètres
Réponse : c Réponse : a
8. Quel est le principal inconvénient du perceptron simple ? 17. Quelle opération mathématique est effectuée lors de la propagation avant ?
a. Il ne peut pas résoudre des problèmes non linéairement a. Produit matriciel
séparables b. Dérivation
b. Il est trop lent à entraîner c. Intégration
c. Il nécessite trop de données d. Convolution
d. Il ne peut pas utiliser de fonctions d'activation Réponse : a
Réponse : a 18. Quelle est la dernière étape de la propagation avant ?
9. Quel algorithme est utilisé pour entraîner un perceptron ? a. Application de la fonction d'activation
a. La descente de gradient b. Calcul de la fonction de perte
b. L'algorithme de rétropropagation c. Mise à jour des poids
c. La règle de Hebb d. Initialisation des biais
d. La règle de mise à jour des poids Réponse : a
Réponse : d
19. Que se passe-t-il si la fonction d'activation n'est pas appliquée lors de la b. Model()
propagation avant ? c. compile()
a. Le réseau devient linéaire d. fit()
b. Le réseau devient plus rapide Réponse : a
c. Le réseau ne peut pas apprendre 30. Quelle méthode est utilisée pour entraîner un modèle dans Keras ?
d. Le réseau devient non linéaire a. fit()
Réponse : a b. compile()
20. Quelle est l'importance des biais dans la propagation avant ? c. predict()
a. Ils ajustent la sortie en fonction des entrées d. evaluate()
b. Ils introduisent des non-linéarités Réponse : a
c. Ils initialisent les poids 31. Quelle méthode est utilisée pour prédire des résultats avec un modèle
d. Ils calculent la fonction de perte Keras ?
Réponse : a a. predict()
21. Quel est l'objectif de la rétropropagation ? b. fit()
a. Minimiser la fonction de perte c. compile()
b. Calculer la sortie du réseau d. evaluate()
c. Initialiser les poids Réponse : a
d. Appliquer la fonction d'activation 32. Quelle est la fonction de perte couramment utilisée pour la classification
Réponse : a binaire dans Keras ?
22. Quelle technique est utilisée pour calculer les gradients lors de la a. binary_crossentropy
rétropropagation ? b. mean_squared_error
a. La règle de la chaîne c. categorical_crossentropy
b. La descente de gradient d. hinge
c. La dérivation partielle Réponse : a
d. L'intégration 33. Quelle fonction d'activation est couramment utilisée pour la couche de
Réponse : a sortie dans un problème de classification binaire ?
23. Quel est le rôle du taux d'apprentissage dans la rétropropagation ? a. Sigmoïde
a. Contrôler la taille des pas lors de la mise à jour des poids b. ReLU
b. Initialiser les poids c. Softmax
c. Calculer la fonction de perte d. Tanh
d. Appliquer la fonction d'activation Réponse : a
Réponse : a 34. Quelle fonction d'activation est couramment utilisée pour la couche de
24. Que se passe-t-il si le taux d'apprentissage est trop élevé ? sortie dans un problème de classification multi-classes ?
a. Le réseau peut diverger a. Softmax
b. Le réseau apprend trop lentement b. ReLU
c. Le réseau ne peut pas apprendre c. Sigmoïde
d. Le réseau devient linéaire d. Tanh
Réponse : a Réponse : a
25. Quelle est la première étape de la rétropropagation ? 35. Quelle méthode est utilisée pour compiler un modèle dans Keras ?
a. Calculer la fonction de perte a. compile()
b. Calculer les gradients b. fit()
c. Mettre à jour les poids c. predict()
d. Initialiser les biais d. evaluate()
Réponse : a Réponse : a
26. Quelle est la principale caractéristique de Keras ? 36. Quel optimiseur est couramment utilisé dans Keras ?
a. C'est une API de haut niveau pour les réseaux de neurones a. Adam
b. C'est un langage de programmation b. SGD
c. C'est une bibliothèque de traitement d'images c. RMSprop
d. C'est un algorithme d'optimisation d. Tous les précédents
Réponse : a Réponse : d
27. Sur quel framework Keras est-il construit ? 37. Quelle méthode Keras permet d'ajouter une couche entièrement connectée
a. TensorFlow (Dense) à un modèle ?
b. PyTorch a. [Link](Dense())
c. Theano b. model.add_layer(Dense())
d. Caffe c. [Link](Dense())
28. Réponse : a d. [Link](Dense())
29. Quelle fonction est utilisée pour créer un modèle séquentiel dans Keras ? Réponse : a
a. Sequential() 38. Quelle fonction Keras permet de normaliser les données d'entrée ?
 a. Normalization() d. TimeSeries()
b. StandardScaler() Réponse : a
c. MinMaxScaler() 47. Quelle fonction Keras permet de créer une couche de flatten pour aplatir les
d. Normalize() données ?
Réponse : a a. Flatten()
39. Quelle méthode Keras permet de sauvegarder un modèle entraîné ? b. Reshape()
a. [Link]() c. FlatLayer()
b. [Link]() d. Squeeze()
c. [Link]() Réponse : a
d. [Link]() 48. Quelle fonction Keras permet de créer un modèle fonctionnel (Functional
Réponse : a API) ?
40. Quelle méthode Keras permet de charger un modèle préalablement a. Model()
sauvegardé ? b. Sequential()
a. load_model() c. Functional()
b. import_model() d. Graph()
c. restore_model() Réponse : a
d. open_model() 49. Quelle méthode Keras permet de visualiser l'architecture d'un modèle ?
Réponse : a a. plot_model()
41. Quelle fonction Keras permet de diviser un ensemble de données en b. show_model()
ensembles d'entraînement et de test ? c. visualize()
a. train_test_split() d. draw_model()
b. split_data() Réponse : a
c. divide_dataset() 50. Quelle fonction Keras permet de créer un embedding pour le traitement du
d. separate_data() langage naturel (NLP) ?
Réponse : a a. Embedding()
42. Quelle méthode Keras permet d'évaluer les performances d'un modèle sur b. Word2Vec()
un ensemble de test ? c. TextVectorization()
a. evaluate() d. TokenLayer()
b. test() Réponse : a
c. validate() 51. Quelle fonction Keras permet de prétraiter des images
d. check_performance() (redimensionnement, normalisation, etc.) ?
Réponse : a a. ImageDataGenerator()
43. Quelle fonction Keras permet de créer un réseau de neurones convolutifs b. ImagePreprocessing()
(CNN) ? c. ImageTransform()
a. Conv2D() d. ImageLoader()
b. Convolutional() Réponse : a
c. CNN() 52. Quel est le rôle de la fonction de perte dans un réseau de neurones ?
d. ConvLayer() a. Mesurer l'erreur entre les prédictions et les vraies valeurs
Réponse : a b. Initialiser les poids
44. Quelle fonction Keras permet de créer une couche de pooling pour un c. Appliquer une non-linéarité
CNN ? d. Ajuster le taux d'apprentissage
a. MaxPooling2D() Réponse : a
b. Pooling() 53. Quelle fonction de perte est couramment utilisée pour la régression ?
c. AveragePooling() a. mean_squared_error
d. PoolLayer() b. binary_crossentropy
Réponse : a c. categorical_crossentropy
45. Quelle fonction Keras permet de créer une couche de dropout pour éviter le d. hinge
surapprentissage ? Réponse : a
a. Dropout() 54. Quel est le rôle de l'optimiseur dans un réseau de neurones ?
b. Regularization() a. Minimiser la fonction de perte
c. Noise() b. Initialiser les poids
d. SkipLayer() c. Appliquer la fonction d'activation
Réponse : a d. Calculer la sortie du réseau
46. Quelle fonction Keras permet de créer un réseau de neurones récurrents Réponse : a
(RNN) ? 55. Quel est l'avantage de l'optimiseur Adam par rapport à SGD ?
a. LSTM() a. Il adapte le taux d'apprentissage pour chaque paramètre
b. RNN() b. Il est plus lent
c. Recurrent() c. Il ne nécessite pas de fonction de perte
 d. Il ne fonctionne que pour les problèmes de classification b. Un LSTM est plus lent à entraîner
Réponse : a c. Un RNN standard est plus précis
56. Quel est le rôle du batch size lors de l'entraînement d'un réseau de d. Un LSTM ne peut pas traiter des séquences
neurones ? Réponse : a
a. Définir le nombre d'échantillons traités avant une mise à jour des 65. Quelle est la principale différence entre un autoencodeur et un MLP ?
poids a. Un autoencodeur est utilisé pour l'apprentissage non supervisé
b. Définir le nombre total d'époques b. Un autoencodeur est plus lent à entraîner
c. Définir le taux d'apprentissage c. Un MLP ne peut pas être utilisé pour la réduction de dimension
d. Définir la fonction de perte d. Un autoencodeur ne peut pas utiliser de fonctions d'activation
Réponse : a Réponse : a
57. Quelle est la différence entre une époque et un batch ? 66. Quelle est la principale différence entre un GAN et un CNN ?
a. Une époque est un passage complet sur l'ensemble des données, a. Un GAN utilise deux réseaux (générateur et discriminateur)
un batch est un sous-ensemble b. Un GAN est plus lent à entraîner
b. Un batch est un passage complet sur l'ensemble des données, une c. Un CNN ne peut pas générer de données
époque est un sous-ensemble d. Un GAN ne peut pas traiter des images
c. Une époque est une mise à jour des poids, un batch est une
fonction de perte Réponse : a
d. Il n'y a pas de différence
Réponse : a 67. Quelle fonction Keras permet de créer un modèle avec plusieurs entrées ou
58. Quel est le rôle du learning rate (taux d'apprentissage) ? sorties ?
a. Contrôler la taille des pas lors de la mise à jour des poids a. Model()
b. Initialiser les poids b. Sequential()
c. Appliquer la fonction d'activation c. Functional()
d. Calculer la sortie du réseau d. Graph()
Réponse : a
59. Que se passe-t-il si le learning rate est trop faible ? Réponse : a
a. Le réseau apprend très lentement
68. Quelle fonction Keras permet de créer une couche de normalisation par lots
b. Le réseau peut diverger
(Batch Normalization) ?
c. Le réseau ne peut pas apprendre
a. BatchNormalization()
d. Le réseau devient non linéaire
b. Normalization()
Réponse : a
c. LayerNorm()
60. Que se passe-t-il si le learning rate est trop élevé ?
d. StandardScaler()
a. Le réseau peut diverger
b. Le réseau apprend très lentement Réponse : a
c. Le réseau ne peut pas apprendre
d. Le réseau devient linéaire 69. Quelle fonction Keras permet de créer une couche de convolution 1D ?
Réponse : a a. Conv1D()
61. Quelle technique permet de réduire le surapprentissage (overfitting) ? b. Convolution1D()
a. Le dropout c. CNN1D()
b. L'augmentation du nombre de couches d. ConvLayer1D()
c. L'augmentation du learning rate
d. La diminution du batch size Réponse : a
Réponse : a
62. Quelle est la principale différence entre un CNN et un MLP ? 70. Quelle fonction Keras permet de créer une couche de pooling 1D ?
a. Un CNN utilise des couches convolutives pour extraire des a. MaxPooling1D()
caractéristiques locales b. Pooling1D()
b. Un CNN est plus lent à entraîner c. AveragePooling1D()
c. Un MLP est utilisé uniquement pour les images d. PoolLayer1D()
d. Un CNN ne peut pas utiliser de fonctions d'activation
Réponse : a Réponse : a
63. Quelle est la principale différence entre un RNN et un MLP ?
a. Un RNN a une mémoire pour traiter des séquences de données 71. Quelle fonction Keras permet de créer une couche de convolution 3D ?
b. Un RNN est plus rapide à entraîner a. Conv3D()
c. Un MLP est utilisé uniquement pour les séries temporelles b. Convolution3D()
d. Un RNN ne peut pas utiliser de fonctions d'activation c. CNN3D()
Réponse : a d. ConvLayer3D()
64. Quelle est la principale différence entre un LSTM et un RNN standard ?
Réponse : a
a. Un LSTM a des portes pour contrôler le flux d'information
72. Quel type de réseau de neurones est couramment utilisé pour la 80. Quelle technique permet de normaliser les activations d'une couche pour
classification d'images ? améliorer la stabilité de l'entraînement ?
a. CNN a. Batch normalization
b. RNN b. Dropout
c. MLP c. Data augmentation
d. GAN d. Early stopping
Réponse : a Réponse : a
73. Quel type de réseau de neurones est couramment utilisé pour le traitement 81. Quelle technique permet de réduire la variance des prédictions en
du langage naturel (NLP) ? combinant plusieurs modèles ?
a. RNN a. Ensembling
b. CNN b. Dropout
c. MLP c. Data augmentation
d. GAN d. Early stopping
Réponse : a Réponse : a
74. Quel type de réseau de neurones est couramment utilisé pour la génération 82. Quel framework est souvent utilisé avec Keras pour le calcul tensoriel ?
d'images ? a. TensorFlow
a. GAN b. PyTorch
b. CNN c. Theano
c. RNN d. Caffe
d. MLP Réponse : a
Réponse : a 83. Quel framework est connu pour sa flexibilité et son utilisation dans la
75. Quel type de réseau de neurones est couramment utilisé pour la prédiction recherche ?
de séries temporelles ? a. PyTorch
a. RNN b. TensorFlow
b. CNN c. Keras
c. MLP d. Theano
d. GAN Réponse : a
Réponse : a 84. Quel outil permet de visualiser les graphiques de calcul dans TensorFlow ?
76. Quel type de réseau de neurones est couramment utilisé pour la réduction a. TensorBoard
de dimension ? b. Matplotlib
a. Autoencodeur c. Seaborn
b. CNN d. Plotly
c. RNN Réponse : a
d. GAN 85. Quel outil permet de prétraiter des images dans Keras ?
a. ImageDataGenerator
Réponse : a b. PIL
c. OpenCV
77. Quelle technique permet de régulariser un modèle pour éviter le d. Scikit-image
surapprentissage ? Réponse : a
a. Dropout 86. Quel outil permet de diviser un ensemble de données en K folds pour la
b. Augmentation du nombre de couches validation croisée ?
c. Augmentation du learning rate a. KFold de Scikit-learn
d. Diminution du batch size b. train_test_split de Keras
Réponse : a c. DataLoader de PyTorch
78. Quelle technique permet de générer des données supplémentaires pour d. ImageDataGenerator de Keras
l'entraînement ? Réponse : a
a. Data augmentation 87. Quelle est la première étape pour entraîner un modèle de machine learning
b. Dropout ?
c. Batch normalization a. Préparer et nettoyer les données
d. Early stopping b. Choisir un modèle complexe
Réponse : a c. Augmenter le learning rate
79. Quelle technique permet d'arrêter l'entraînement prématurément si la d. Utiliser un grand batch size
performance ne s'améliore plus ? Réponse : a
a. Early stopping 88. Pourquoi est-il important de normaliser les données avant de les utiliser
b. Dropout dans un réseau de neurones ?
c. Data augmentation a. Pour améliorer la stabilité et la vitesse de convergence
d. Batch normalization b. Pour augmenter le nombre de paramètres
Réponse : a c. Pour réduire le nombre de couches
 d. Pour éviter le surapprentissage 97. Quel type de réseau de neurones est couramment utilisé pour la détection
Réponse : a d'objets ?
89. Pourquoi est-il important de diviser les données en ensembles a. CNN avec des couches de détection (YOLO, Faster R-CNN)
d'entraînement, de validation et de test ? b. RNN
a. Pour évaluer la performance du modèle sur des données invisibles c. MLP
b. Pour augmenter la complexité du modèle d. GAN
c. Pour réduire le temps d'entraînement Réponse : a
d. Pour éviter le surapprentissage 98. Quel type de réseau de neurones est couramment utilisé pour la détection
Réponse : a d'objets ?
90. Quelle est l'importance de la validation croisée (cross-validation) ? a. CNN avec des couches de détection (YOLO, Faster R-CNN)
a. Pour obtenir une estimation plus robuste de la performance du b. RNN
modèle c. MLP
b. Pour augmenter la complexité du modèle d. GAN
c. Pour réduire le temps d'entraînement Réponse : a
d. Pour éviter le surapprentissage 99. Quel type de réseau de neurones est couramment utilisé pour la génération
Réponse : a de texte ?
91. Pourquoi est-il important de surveiller la fonction de perte pendant a. RNN ou Transformer
l'entraînement ? b. CNN
a. Pour détecter le surapprentissage ou le sous-apprentissage c. MLP
b. Pour augmenter le nombre de paramètres d. GAN
c. Pour réduire le temps d'entraînement Réponse : a
d. Pour éviter la normalisation des données [Link] type de réseau de neurones est couramment utilisé pour la traduction
Réponse : a automatique ?
92. Quel est le principal défi lors de l'entraînement de réseaux de neurones a. Transformer
profonds ? b. CNN
a. Le problème du gradient qui disparaît (vanishing gradient) c. MLP
b. Le surapprentissage d. GAN
c. Le sous-apprentissage Réponse : a
d. La normalisation des données [Link] type de réseau de neurones est couramment utilisé pour la synthèse
Réponse : a vocale ?
93. Quelle technique permet de résoudre le problème du gradient qui a. RNN ou Transformer
disparaît ? b. CNN
a. Utiliser des fonctions d'activation comme ReLU c. MLP
b. Augmenter le learning rate d. GAN
c. Réduire le nombre de couches Réponse : a
d. Utiliser un petit batch size [Link] type de réseau de neurones est couramment utilisé pour la
Réponse : a reconnaissance faciale ?
94. Quel est le principal avantage des fonctions d'activation ReLU par rapport à a. CNN
la sigmoïde ? b. RNN
a. Elles évitent le problème du gradient qui disparaît c. MLP
b. Elles sont plus lentes à calculer d. GAN
c. Elles ne peuvent pas être utilisées dans les couches cachées Réponse : a
d. Elles ne sont pas différentiables
Réponse : a
95. Quel est le principal inconvénient des fonctions d'activation ReLU ?
a. Le problème des neurones morts (dying ReLU)
b. Leur complexité de calcul
c. Leur incapacité à être utilisées dans les couches de sortie
d. Leur sensibilité au bruit
Réponse : a
96. Quelle technique permet de résoudre le problème des neurones morts
(dying ReLU) ?
a. Utiliser des variantes de ReLU comme Leaky ReLU
b. Augmenter le learning rate
c. Réduire le nombre de couches
d. Utiliser un petit batch size
Réponse : a