Quelle est la principale différence entre l'apprentissage supervisé et non supervisé ?
2
Quel est l'objectif principal d'un autoencodeur dans le contexte de la détection d'anomalies non supervisée ?
3
Comment un autoencodeur peut-il détecter une anomalie lorsqu'il est entraîné uniquement sur des images d'un seul chiffre (par exemple le chiffre 5) dans le dataset MNIST ?
4
Quelle fonction de perte est utilisée pour entraîner un autoencodeur sur des images du dataset MNIST afin de quantifier la qualité de la reconstruction ?
5
Quel est le rôle de la couche Sigmoid dans le décodeur de l'autoencodeur simple utilisé pour reconstruire des images en niveaux de gris normalisées entre 0 et 1, comme celles du dataset MNIST ?
6
Dans le contexte du "denoising autoencodeur", quelle est la principale différence dans les données d'entrée et de sortie lors de l'entraînement ?
7
Pourquoi utilise-t-on un autoencodeur convolutif dans le cas du denoising sur MNIST plutôt qu’un autoencodeur à couches entièrement connectées ?
8
Quel est l'impact du niveau de bruit (variance) ajouté aux images sur la tâche de denoising ?
9
Quel rôle joue la fonction BatchNorm dans les couches de l’autoencodeur convolutif utilisé pour le denoising ?
10
Quel est un avantage potentiel de tester l'architecture U-Net pour la tâche de denoising par rapport à un autoencodeur classique ?