Série d'exercices corrigés Deep Learning : Machine Learning et Perceptron

Introduction à la série d'exercices en Deep Learning

Ce document pédagogique propose une série d'exercices accompagnée d'éléments de correction, conçue pour les étudiants en Master 2 spécialisés en Sciences de Données (SDS). Centré sur l'apprentissage automatique et les bases des réseaux de neurones, ce support permet d'aborder des concepts fondamentaux à travers des cas pratiques et des applications concrètes.

Structure et contenu du document

Le document s'articule autour de trois exercices principaux ainsi que d'une section dédiée aux solutions pour la première partie. L'ensemble aborde la distinction entre les différents paradigmes d'apprentissage, l'analyse de problèmes applicatifs et la mise en œuvre mathématique et logique du perceptron simple.

Exercice 1 : Révision et typologie du Machine Learning

La première partie teste la capacité des étudiants à identifier la nature d'un problème d'apprentissage automatique face à diverses situations professionnelles ou scientifiques. Par exemple, l'analyse de textes à l'aide de fréquences de mots pour détecter des thématiques, le classement d'articles de journaux, l'organisation de liens hypertextes ou encore l'examen de spams sont étudiés pour déterminer s'il s'agit d'apprentissage supervisé, non supervisé ou de classification.

Exercice 2 : Le perceptron simple et les fonctions logiques

Le deuxième exercice s'intéresse aux fondements des réseaux de neurones artificiels à travers l'étude de fonctions logiques binaires. Les étudiants doivent identifier les fonctions logiques correspondantes à des tables de vérité données, puis déterminer les poids synaptiques d'un perceptron en utilisant la fonction de signe comme fonction d'activation avec un seuil nul.

Exercice 3 : Codage binaire et classification de chiffres

La dernière section propose un exercice de modélisation visuelle et numérique. À partir de représentations graphiques de chiffres de 0 à 9 sur une grille, le sujet demande d'établir un codage binaire adapté, de concevoir l'architecture d'un perceptron capable de distinguer les chiffres pairs des impairs, et enfin de définir la base d'apprentissage correspondante pour calculer les poids.

Éléments de correction et accompagnement pédagogique

Le document fournit également les solutions détaillées pour l'exercice initial, permettant de valider la compréhension des notions de classification binaire, de classification multi-classe, de clustering, ainsi que d'identifier les domaines d'application hors machine learning tels que la recherche sur graphes ou le traitement du signal.

Informations sur le document

Ce support de cours et de travaux dirigés est destiné aux étudiants de niveau Master 2 SDS (Sciences de Données) pour l'année universitaire 2020/2021 dans le cadre du module de Deep Learning. Il constitue un outil de travail direct pour s'entraîner sur les fondements algorithmiques et neuronaux.

Questions fréquentes

Quel est le niveau académique ciblé par ce document ?

Ce document est destiné aux étudiants en Master 2 mention Sciences de Données (SDS) suivant le module de Deep Learning.

Quels sont les principaux thèmes abordés dans l'exercice 1 ?

L'exercice 1 aborde la classification binaire, la classification multi-classe, le clustering et la distinction entre apprentissage supervisé et non supervisé à travers des cas pratiques.

Comment le perceptron est-il étudié dans l'exercice 2 ?

Il est étudié à travers l'analyse de tables de vérité de fonctions logiques, le calcul des poids synaptiques et l'utilisation de la fonction de signe comme fonction d'activation.

Testez vos connaissances

Télécharger Série d'exercices corrigés Deep Learning : Machine Learning et Perceptron pdf