Offres d'emploiEntreprisesTestsBlogJe recruteS'inscrireConnexion
Accueil>Tests>Questions>Afin d'obtenir de bons résultats lors de la mise en œuvre de l'apprentissage profond, il faut préparer ses données avant de les utiliser. Quelle action **PEUT** être effectuée pendant cette préparation?

Question du test Deep learning - Les bases

Afin d'obtenir de bons résultats lors de la mise en œuvre de l'apprentissage profond, il faut préparer ses données avant de les utiliser. Quelle action **PEUT** être effectuée pendant cette préparation?

Facile

Afin d’obtenir de bons résultats, il est nécessaire de préparer les données avant application d’un processus de deep learning. Quelles étapes PEUT être réalisée de cette préparation ?

  • 1 réponse attendue
Auteur: MartinStatut : Publiée(Mise à jour)Question passée 614 fois
Modifier
1
Évaluations de la communauté
developer avatar
Autre
Auteur anonyme
11/11/2023
je ne paux pas voir
developer avatar
Auteur anonyme
13/11/2023
Peux-tu détailler ton bug sur notre bug tracker ? https://github.com/welovedevs/bug-tracker-public/issues
Questions similaires
Plus de questions sur Deep learning
12
Quelle est la relation entre l'intelligence artificielle (IA), l'apprentissage automatique et l'apprentissage profond?
9
Quel est le mot manquant dans la phrase suivante : Overfitting est la production d'un modèle qui correspond trop étroitement à l'ensemble de données d'apprentissage et peut donc ne pas s'adapter à d'autres ensembles de données et donc ne pas effectuer de prévision fiable.
6
Donné un réseau de neurones avec 4 entrées, combien de connexions pourraient exister entre la couche d'entrée et la première couche cachée?
1
Quel type de réseau de neurones est le meilleur pour le traitement d'images?
1
En deep learning, le jeu de validation est utilisé pour fournir des évaluations fréquentes et non biaisées de l'adéquation du modèle sur le jeu d'entraînement tout en ajustant ses hyperparamètres/paramètres: en d'autres termes, le modèle est trouvé et ensuite testé sur le jeu de validation avant d'être amélioré une fois de plus.