Тест: Introduction au Machine Learning — 8 въпроса

1. Qu'est-ce que le K-anonymat en traitement de données ?

A. Une méthode de classification d'images

B. Un algorithme de recommandation personnalisé

C. Une forme d'apprentissage automatique supervisé

D. Une technique d'anonymisation des données

Answer: (D)

Обяснение

Le K-anonymat est une technique d'anonymisation qui regroupe les observations en partitions contenant au moins k individus partageant les mêmes quasi-identifiants.

2. Quelle affirmation correspond au sujet « Définition du problème en machine learning : variables explicatives, variable cible et objectifs d’estimation » ?

A. Objectif : Identification des caractéristiques utiles, des valeurs aberrantes, ..

B. K-anonymat : Technique d’anonymisation des données qui regroupe les observations en partitions contenant au moins k individus partageant les mêmes quasi-identifiants, assurant la…

C. 1 Si oui : Critère de validation d'une performance ou d'un résultat, illustré par la supériorité des algorithmes de machine learning en classification d’images en 2015

D. En pratique : Les algorithmes sont classés en deux familles 1 Méthodes paramétriques 2 Méthodes non-paramétriques 66 / 111 Introduction Générale Ce cours Un Peu d’Histoire Machine Learning…

Answer: (A)

Обяснение

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Objectif : Identification des caractéristiques utiles, des valeurs aberrantes, ...

3. Quelle affirmation correspond au sujet « Types d'apprentissage : supervisé, non supervisé, semi-supervisé et par renforcement » ?

A. 1 Si oui : Critère de validation d'une performance ou d'un résultat, illustré par la supériorité des algorithmes de machine learning en classification d’images en 2015

B. Econométrie : Discipline qui applique des méthodes statistiques à l'économie pour modéliser et analyser des phénomènes économiques, souvent en construisant des modèles probabilistes

C. En pratique : Les algorithmes sont classés en deux familles 1 Méthodes paramétriques 2 Méthodes non-paramétriques 66 / 111 Introduction Générale Ce cours Un Peu d’Histoire Machine Learning…

D. Objectif : Identification des caractéristiques utiles, des valeurs aberrantes, ..

Answer: (B)

Обяснение

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Econométrie : Discipline qui applique des méthodes statistiques à l'économie pour modéliser et analyser des phénomènes économiques, souvent en construisant des modèles probabilistes.

4. Quelle est la caractéristique principale d'un problème de régression ?

A. La variable cible est une valeur numérique continue

B. La variable cible est une variable binaire

C. La variable cible est qualitative

D. La variable cible est une catégorie discrète

Answer: (A)

Обяснение

La régression concerne les problèmes où la variable cible est quantitative, c'est-à-dire une valeur numérique continue à prédire.

5. Quelle affirmation correspond au sujet « Prédiction en machine learning : erreur réductible et erreur irréductible, et importance de la précision de la prédiction » ?

A. 1 Si oui : Critère de validation d'une performance ou d'un résultat, illustré par la supériorité des algorithmes de machine learning en classification d’images en 2015

B. Objectif : Identification des caractéristiques utiles, des valeurs aberrantes, ..

C. Source : Le modèle de prédiction est formulé comme Y = f(X) + ϵ, où f est une fonction inconnue des variables explicatives X, et ϵ un terme d’erreur aléatoire de moyenne 0 et indépendant…

D. En pratique : Les algorithmes sont classés en deux familles 1 Méthodes paramétriques 2 Méthodes non-paramétriques 66 / 111 Introduction Générale Ce cours Un Peu d’Histoire Machine Learning…

Answer: (C)

Обяснение

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Source : Le modèle de prédiction est formulé comme Y = f(X) + ϵ, où f est une fonction inconnue des variables explicatives X, et ϵ un terme d’erreur aléatoire de moyenne 0 et indépendant….

6. Quelle affirmation correspond au sujet « Inférence en machine learning : identification des relations entre variables explicatives et variable cible » ?

A. En pratique : Les algorithmes sont classés en deux familles 1 Méthodes paramétriques 2 Méthodes non-paramétriques 66 / 111 Introduction Générale Ce cours Un Peu d’Histoire Machine Learning…

B. Objectif : Identification des caractéristiques utiles, des valeurs aberrantes, ..

C. L’inférence vise à comprendre comment la variable cible Y change en fonction des variables explicatives X

D. 1 Si oui : Critère de validation d'une performance ou d'un résultat, illustré par la supériorité des algorithmes de machine learning en classification d’images en 2015

Answer: (C)

Обяснение

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : L’inférence vise à comprendre comment la variable cible Y change en fonction des variables explicatives X.

7. En quoi les méthodes paramétriques diffèrent-elles des méthodes non paramétriques en machine learning ?

A. Les méthodes paramétriques supposent une forme fonctionnelle fixe, tandis que les non paramétriques s’adaptent à des relations plus complexes

B. Les méthodes paramétriques sont plus flexibles que les non paramétriques

C. Les méthodes paramétriques ne nécessitent pas d’estimation de paramètres, contrairement aux non paramétriques

D. Les méthodes paramétriques sont toujours plus précises que les non paramétriques

Answer: (A)

Обяснение

Les méthodes paramétriques supposent une forme fixe avec peu de paramètres, contrairement aux méthodes non paramétriques qui n’imposent pas de forme fixe et s’adaptent à des relations plus complexes.

8. Quelle affirmation correspond au sujet « Mesure de la qualité de l’estimation : fonctions de perte pour la régression et la classification » ?

A. Fonction de perte : Fonction qui mesure le coût de l'écart entre la valeur observée Y et la prédiction ˆY, utilisée pour quantifier la qualité d'une estimation et influencer l'ajustement…

B. En pratique : Les algorithmes sont classés en deux familles 1 Méthodes paramétriques 2 Méthodes non-paramétriques 66 / 111 Introduction Générale Ce cours Un Peu d’Histoire Machine Learning…

C. Objectif : Identification des caractéristiques utiles, des valeurs aberrantes, ..

D. 1 Si oui : Critère de validation d'une performance ou d'un résultat, illustré par la supériorité des algorithmes de machine learning en classification d’images en 2015

Answer: (A)

Обяснение

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Fonction de perte : Fonction qui mesure le coût de l'écart entre la valeur observée Y et la prédiction ˆY, utilisée pour quantifier la qualité d'une estimation et influencer l'ajustement….