TensorFlow & Keras
Sequential API, Functional API, layers, callbacks, checkpoints, TensorBoard, model saving
1Quelle est la principale différence entre l'API Sequential et l'API Functional de Keras ?
Quelle est la principale différence entre l'API Sequential et l'API Functional de Keras ?
Réponse
L'API Sequential permet de créer des modèles couche par couche de manière linéaire, où chaque couche a exactement une entrée et une sortie. L'API Functional offre plus de flexibilité en permettant de créer des modèles avec des architectures complexes : entrées multiples, sorties multiples, connexions résiduelles et graphes de couches partagées. Utiliser Sequential pour des architectures simples et Functional pour des cas plus avancés.
2Comment créer un modèle Sequential avec une couche Dense de 64 neurones suivie d'une couche de sortie de 10 neurones ?
Comment créer un modèle Sequential avec une couche Dense de 64 neurones suivie d'une couche de sortie de 10 neurones ?
Réponse
La méthode standard consiste à instancier tf.keras.Sequential() puis à utiliser model.add() pour ajouter les couches une par une, ou à passer une liste de couches directement au constructeur. Chaque couche Dense prend le nombre d'unités en paramètre, et la première couche nécessite de spécifier input_shape pour définir la forme des données d'entrée.
3Quel est le rôle de la fonction d'activation 'softmax' dans une couche de sortie ?
Quel est le rôle de la fonction d'activation 'softmax' dans une couche de sortie ?
Réponse
La fonction softmax transforme les logits (sorties brutes) en probabilités qui somment à 1, ce qui est idéal pour la classification multi-classe. Chaque sortie représente la probabilité d'appartenance à une classe. Elle est typiquement utilisée avec la loss categorical_crossentropy pour les labels one-hot ou sparse_categorical_crossentropy pour les labels entiers.
Comment définir un modèle avec l'API Functional ayant deux entrées distinctes ?
Quel callback utiliser pour arrêter l'entraînement lorsque la validation loss ne s'améliore plus ?
+19 questions d'entretien
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
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps & Déploiement
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement