• 1. La capacité de la machine à exécuter des programmes informatiques de base.

2. La capacité de la machine à imiter l'intelligence humaine.

3. L'utilisation de machines pour effectuer des tâches qui nécessitent une force physique humaine.

1. Ils exécutent des calculs statistiques complexes.

2. Ils apprennent automatiquement à partir des données.

3. Ils stockent de grandes quantités de données.

1. Ils imitent le fonctionnement du cerveau humain.

• 2. Ils requièrent des instructions détaillées pour chaque tâche.

3. Ils simplifient les données pour une meilleure compréhension humaine.

• 1. Le processus de nettoyage et de préparation des données avant le traitement analytique.

2. L'augmentation de la quantité de données disponibles par la collecte supplémentaire.

• 3. La visualisation des données pour identifier les tendances et les modèles.

• 1. Un processus pour augmenter la quantité de données disponibles.

• 2. Un processus pour répartir les données pour l'entraînement et l'évaluation des modèles.

• 3. Un processus pour fusionner les données de sources différentes.

1. Selon la popularité du modèle dans l'industrie.

2. Selon le coût d'implémentation du modèle.

3. Selon la nature des données et le problème à résoudre.

• 1. Un type d'apprentissage où le modèle apprend sans aucune donnée étiquetée.

2. Un type d'apprentissage où le modèle apprend uniquement à partir de feedback direct et explicite après chaque prédiction.

3. Un type d'apprentissage où le modèle est formé sur des données étiquetées pour prédire des étiquettes sur de nouvelles données.

• 1. Algorithme de classification, comme les arbres de décision.

2. Algorithme de régression, comme la régression linéaire.

• 3. Algorithme de clustering, comme K-means.

1. Algorithme de classification, comme les forêts aléatoires ou les machines à vecteurs de support (SVM).

2. Algorithme de régression, comme la régression logistique.

3. Algorithme de réduction de dimensionnalité, comme l'analyse en composantes principales (PCA).

• 1. Classer des images de fruits en catégories basées sur leur couleur et leur forme.

2. Développer un système qui apprend à jouer à un jeu vidéo en maximisant son score à travers des essais et des erreurs.

3. Analyser des ensembles de données financières pour prédire les tendances du marché boursier.

1. Beaucoup de données non étiquetées, peu de données étiquetées.

2. Toutes les données sont étiquetées.

3. Aucune donnée n'est étiquetée.

• 1. Optimiser les paramètres du modèle en temps réel.

• 2. Mesurer la performance du modèle sur des données non vues.

• 3. Augmenter la quantité de données pour l'entraînement.

• 1. Prédiction de la séquence des prix boursiers.

• 2. Calcul des opérations arithmétiques simples.

3. Reconnaissance d'objets dans des images numériques.

1. Traduction automatique de texte.

2. Classification d'images statiques.

3. Détection de contours dans des images.

• 1. Quand un modèle est trop complexe et capture trop de bruit dans les données.

2. Quand un modèle est trop simple, ne capture pas bien la complexité des données et a de mauvaises performances.

• 3. Quand un modèle est parfaitement ajusté et généralise bien sur les nouvelles données.

• 1. Quand un modèle est trop simple et ne peut pas apprendre suffisamment les détails des données.

• 2. Quand un modèle est trop complexe, apprend trop bien les détails et les bruits de l'ensemble d'entraînement au détriment de nouvelles données.

• 3. Quand un modèle ajuste les données d'entraînement et de test également bien sans erreur.