WorksheetsQuiz1_Modeling
Total questions: 15
Worksheet time: 8mins
Quelle est la première étape dans la préparation des données ?
Création du modèle
Normalisation des données
Collecte des données
Évaluation du modèle
Qu'est-ce que l'apprentissage supervisé?
L'apprentissage supervisé est une méthode d'apprentissage automatique où un modèle est entraîné sur un ensemble de données étiquetées pour prédire des résultats pour de nouvelles données non étiquetées.
L'apprentissage supervisé est une méthode d'apprentissage manuel.
L'apprentissage supervisé ne nécessite pas de données étiquetées.
L'apprentissage supervisé ne peut pas prédire des résultats pour de nouvelles données non étiquetées.
Qu'est-ce que l'apprentissage non supervisé?
L'apprentissage non supervisé est une méthode d'apprentissage automatique où les données sont ignorées par l'algorithme.
L'apprentissage non supervisé est une méthode d'apprentissage automatique où l'algorithme ne traite que les données d'entrée.
L'apprentissage non supervisé est une méthode d'apprentissage automatique où l'algorithme explore les données sans être guidé par une étiquette de sortie.
L'apprentissage non supervisé est une méthode d'apprentissage automatique où l'algorithme suit strictement les étiquettes de sortie.
La détection des fraudes, la classification des images, le diagnostic et la fidélisation des clients sont des applications de :
Apprentissage non supervisé : Regroupement
Apprentissage supervisé : Classification
Apprentissage par renforcement
Apprentissage non supervisé : Régression
Les algorithmes d' __________________ permettent aux ordinateurs d'apprendre à partir des données, et même de s'améliorer, sans être explicitement programmés.
Intelligence artificielle
Apprentissage automatique
Apprentissage profond
Apprentissage traditionnel
Quels sont les deux types d'apprentissage supervisé ?
Classification
Association
Clustering
Régression
Citez quelques algorithmes d'apprentissage non supervisé.
K-Means, DBSCAN, PCA
Linear Regression
Random Forest
SVM
Dans ce type d'apprentissage automatique, un système d'intelligence artificielle reçoit des données non étiquetées et non classées, et les algorithmes du système agissent sur les données sans formation préalable. Le résultat dépend des algorithmes codés.
Apprentissage supervisé
Apprentissage non supervisé
Régression
Classification
Quel type d'algorithme d'apprentissage automatique permet de faire des prédictions lorsque l'on dispose d'un ensemble de données d'entrée et que l'on connaît les réponses possibles ?
Non supervisé
Renforcement
Supervisé
Apprentissage profond
L'efficacité d'un SVM dépend du choix des hyperparamètres suivants SAUF :
le type du noyau
les paramètres du noyau
le paramètre de coût C
la taille de la marge
Qu'est-ce que le KNN en machine learning?
KNN est utilisé pour la détection d'anomalies uniquement
KNN est un algorithme de clustering
L'algorithme KNN est utilisé pour la classification et la régression en trouvant les k voisins les plus proches d'un point donné.
KNN est un algorithme utilisé uniquement pour la régression linéaire.
Quel critère est couramment utilisé pour évaluer la performance d'un modèle de classification ?
Coefficient de corrélation
Matrice de confusion
Écart-type
Analyse de variance
Quel paramètre est essentiel dans un KNN ?
Nombre de clusters
Nombre de voisins
Nombre de dimensions
Nombre de features
Quelle est l'importance de la validation croisée dans l'apprentissage automatique?
La validation croisée est utilisée pour diviser les données en ensembles d'entraînement et de test afin d'évaluer les performances du modèle sur des données non vues.
La validation croisée n'a aucun impact sur l'apprentissage automatique.
La validation croisée est utilisée pour doubler les données d'entraînement.
La validation croisée est utilisée pour réduire le nombre de variables dans un modèle.
Qu'est-ce que l'overfitting dans le contexte de l'apprentissage automatique?
L'overfitting se produit lorsque le modèle s'adapte trop bien aux données d'entraînement, mais ne généralise pas bien sur de nouvelles données.
L'overfitting signifie que le modèle n'est pas assez complexe pour capturer la relation entre les variables.
L'overfitting est un concept inconnu en apprentissage automatique.
L'overfitting se produit lorsque le modèle ne s'adapte pas du tout aux données d'entraînement.
