Question 1

Qu'est-ce qu'une opération de convolution dans un CNN ?

Accepted Answer

Une convolution est une opération mathématique qui applique un filtre (kernel) sur une image en faisant glisser ce filtre sur l'entrée et en calculant le produit scalaire à chaque position. Cela permet d'extraire des caractéristiques locales comme les bords, les textures ou les motifs. Contrairement aux réseaux denses où chaque neurone est connecté à toutes les entrées, la convolution exploite la structure spatiale des images en partageant les poids du filtre sur toute l'image.

Question 2

Quel est le rôle du stride dans une couche de convolution ?

Accepted Answer

Le stride définit le pas de déplacement du filtre lors de son application sur l'image. Un stride de 1 déplace le filtre d'un pixel à chaque étape, tandis qu'un stride de 2 le déplace de 2 pixels, réduisant ainsi la taille de sortie. Augmenter le stride permet de réduire la dimension spatiale de la feature map et le coût computationnel, mais peut aussi entraîner une perte d'information si le stride est trop grand.

Question 3

Quel est l'objectif du padding dans une couche de convolution ?

Accepted Answer

Le padding consiste à ajouter des pixels (généralement des zéros) autour de l'image d'entrée avant d'appliquer la convolution. Cela permet de contrôler la taille de sortie et de préserver les informations aux bords de l'image. Avec un padding 'same', la sortie a la même taille que l'entrée, tandis qu'avec 'valid' (sans padding), la taille diminue. Le padding évite aussi que les pixels des bords soient sous-représentés dans les feature maps.

CNN & Classification d'images

Qu'est-ce qu'une opération de convolution dans un CNN ?

Réponse

Quel est le rôle du stride dans une couche de convolution ?

Réponse

Quel est l'objectif du padding dans une couche de convolution ?

Réponse

Quelle est la différence entre Max Pooling et Average Pooling ?

Qu'est-ce qu'une feature map dans un CNN ?

Autres sujets d'entretien Data Science & ML

Les bases de Python

Programmation Orientée Objet Python

Structures de données Python

Fondamentaux Git

Les bases de SQL

Fondamentaux NumPy

Les bases de Pandas

Jupyter & Google Colab

SQL Joins & Requêtes avancées

Pandas avancé

Visualisation avec Matplotlib & Seaborn

Visualisations interactives avec Plotly

Statistiques descriptives

Statistiques inférentielles

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML Supervisé : Régression

ML Supervisé : Classification

Arbres de décision & Ensembles

ML Non supervisé

Pipelines ML & Validation

Séries temporelles & Prévisions

Fondamentaux Deep Learning

TensorFlow & Keras

RNN & Séquences

Transformers & Attention

NLP & Hugging Face

GenAI & LangChain

MLOps & Déploiement

Maîtrise Data Science & ML pour ton prochain entretien