WorksheetsPolyAI - Introduction au Machine Learning
Total questions: 18
Worksheet time: 22mins
Quelle affirmation décrit le mieux le Machine Learning ?
Une méthode qui suit des règles programmées à la main
Une méthode permettant à une machine d’apprendre à partir de données
Une technologie pour créer des circuits électroniques
Une base de données centralisée d’informations
Dans l’apprentissage supervisé, le modèle apprend à partir de…
Données non étiquetées
Données partiellement aléatoires
Données étiquetées (avec entrées et sorties connues)
Données simulées uniquement
Un algorithme de clustering sert principalement à…
Prédire une valeur numérique
Trier les données alphabétiquement
Supprimer les anomalies
Regrouper des données similaires entre elles
Si un modèle obtient 99 % de précision sur les données d’entraînement mais 60 % sur les données de test, on parle de…
Sous-apprentissage (underfitting)
Bon modèle généralisant
Sur-apprentissage (overfitting)
Mauvais étiquetage
Quelle est la principale différence entre le Machine Learning et le Deep Learning ?
Le Deep Learning ne nécessite pas de données
Le Deep Learning repose sur des réseaux de neurones profonds
Le Machine Learning est plus récent
Le Deep Learning est une approche non supervisée
Parmi les situations suivantes, laquelle relève d’un apprentissage non supervisé ?
Prédire le prix d’une maison à partir de ses caractéristiques
Regrouper des clients selon leur comportement d’achat
Identifier les spams dans des emails
Prédire la température pour demain
Pourquoi nettoie-t-on les données avant d’entraîner un modèle ?
Pour réduire le bruit et les erreurs dans les données
Pour que le modèle ait plus de paramètres
Pour accélérer le téléchargement du dataset
Pour supprimer les doublons uniquement
Si les données d’entraînement sont biaisées (ex. sous-représentation de certaines classes), le modèle…
Sera plus rapide
Apprendra de manière plus juste
Corrigera automatiquement les biais
Reproduira les biais présents dans les données
Quel type d’apprentissage serait le plus adapté pour entraîner un robot à marcher ?
Apprentissage supervisé
Apprentissage non supervisé
Apprentissage par renforcement
Apprentissage semi-automatique
Si tu devais évaluer la performance d’un modèle de classification, quelle métrique choisirais-tu ?
La précision (accuracy)
Le taux d’échantillonnage
Le RMSE
La corrélation de Pearson
Observe les trois graphiques ci-dessous.
Chaque graphique montre comment un modèle tente d’apprendre à partir de données (points orange).
Associe chaque cas au bon concept parmi Underfitting, Bon ajustement (Balanced) et Overfitting.
Les trois cercles représentent les niveaux d’abstraction des technologies d’intelligence artificielle.
Associe chaque niveau à la bonne catégorie
Un modèle de classification prédit 100 emails comme spam, dont 80 sont réellement des spams.
Le modèle a aussi oublié 20 spams réels.
Calcule la précision du modèle.
Un modèle de diagnostic détecte 45 cas positifs correctement sur 60 malades réels.
Il a aussi étiqueté 10 personnes saines comme malades.
Calcule le rappel (Recall).
Un modèle de reconnaissance faciale a :
Précision = 0.9
Rappel = 0.6
Calcule le F1-score.
Sur quelle logique principale repose le moteur de recommandation de Netflix ?
Apprentissage par renforcement
Réseaux de neurones convolutionnels
Clustering non supervisé
Filtrage collaboratif basé sur les similarités entre utilisateurs
Les assistants vocaux (Siri, Alexa, Google Assistant) utilisent principalement :
Des arbres de décision
Des réseaux de neurones récurrents (RNN) et modèles de langage
Des modèles de clustering
Des forêts aléatoires
Dans la détection d’anomalies réseau, quel type d’apprentissage est souvent utilisé ?
Supervisé avec données étiquetées
Renforcement avec récompenses
Non supervisé pour identifier des comportements inhabituels
Semi-supervisé uniquement
