Quiz: Introduction au Machine Learning et Types de Données — 14 Fragen

1. En apprentissage supervisé, sur quoi repose l’entraînement des algorithmes ?

A. Sur des données étiquetées avec une réponse attendue

B. Sur des données non organisées sans cible

C. Sur des données sans aucune indication de sortie

D. Sur des interactions avec récompense uniquement

Answer: (A)

Erklärung

L’apprentissage supervisé utilise des données labellisées, c’est-à-dire des exemples accompagnés de la réponse attendue. Cela permet au modèle d’apprendre à classer ou à prédire.

2. Qu’est-ce qui caractérise l’apprentissage non supervisé ?

A. L’utilisation exclusive de données labellisées pour entraîner le modèle

B. La prédiction d’une valeur quantitative continue à partir de variables explicatives

C. L’absence d’étiquettes dans les données utilisées pour apprendre des structures

D. La présence systématique de réponses attendues pour chaque exemple

Answer: (C)

Erklärung

En apprentissage non supervisé, on ne dispose pas d’étiquettes et l’objectif est de découvrir des structures ou régularités dans les données. Les autres réponses décrivent l’apprentissage supervisé ou la régression.

3. Quelle affirmation décrit le mieux une donnée ?

A. Une règle d’organisation d’un tableau

B. Un résultat obtenu après mise en contexte

C. Une observation brute non analysée servant de matière première

D. Un message interprété donnant un sens complet

Answer: (C)

Erklärung

Une donnée est une observation brute, sans interprétation préalable. L’information, au contraire, correspond au sens interprété de ces observations.

4. Lequel de ces exemples correspond à des données semi-structurées ?

A. Un fichier XML

B. Un tableau SQL

C. Un fichier CSV

D. Une feuille Excel

Answer: (A)

Erklärung

Le XML est un exemple de donnée semi-structurée, car il repose sur une structure avec balises et métadonnées. Les fichiers SQL, CSV et Excel sont plutôt des exemples de données structurées.

5. Quel exemple correspond à l’apprentissage semi supervisé ?

A. Améliorer une performance par essais et récompenses

B. Prédire une valeur numérique à partir d’un ensemble de variables

C. Apprendre uniquement à partir de données sans aucune structure

D. Utiliser à la fois des données avec étiquettes et des données sans étiquettes pendant l’entraînement

Answer: (D)

Erklärung

L’apprentissage semi supervisé combine des données étiquetées et non étiquetées lors de l’entraînement. Les autres propositions correspondent à d’autres familles du machine learning.

6. Quel est l’objectif principal d’une régression linéaire ?

A. Regrouper des observations sans utiliser de variable cible

B. Classer des données en deux classes à partir de labels

C. Trouver une relation linéaire entre une variable cible quantitative et des variables explicatives

D. Attribuer une étiquette à chaque observation à partir de catégories

Answer: (C)

Erklärung

La régression linéaire cherche à modéliser une relation linéaire pour prédire une variable cible quantitative. Les autres propositions décrivent plutôt la classification ou l’apprentissage non supervisé.

7. Quel énoncé distingue correctement classification et régression ?

A. La classification prédit une valeur continue, tandis que la régression donne une étiquette

B. Les deux ne peuvent fonctionner qu’avec des variables qualitatives

C. La classification attribue une catégorie, tandis que la régression estime une valeur numérique

D. Les deux cherchent uniquement à organiser des données en tableaux

Answer: (C)

Erklärung

La classification sert à attribuer une classe ou une étiquette, alors que la régression vise une valeur quantitative. C’est la distinction fondamentale entre les deux problèmes.

8. Qu’est-ce qui caractérise des données structurées ?

A. Elles sont toujours du texte brut non organisé

B. Elles suivent un schéma prédéfini avec lignes et colonnes

C. Elles n’ont aucun format fixe ni modèle

D. Elles reposent uniquement sur des balises et des métadonnées

Answer: (B)

Erklärung

Les données structurées suivent un schéma prédéfini, souvent sous forme de tableaux. Cette organisation facilite la recherche et l’analyse.

9. Que cherche principalement à faire le machine learning ?

A. Remplacer toute forme de calcul par des règles fixes

B. Écrire des règles manuelles sans données d’exemple

C. Apprendre automatiquement des régularités à partir de grands ensembles de données

D. Transformer chaque donnée en information sans apprentissage

Answer: (C)

Erklärung

Le machine learning est une branche de l’intelligence artificielle qui apprend des régularités à partir de données. Il ne repose pas sur des règles fixes programmées à l’avance.

10. Quel exemple illustre le mieux un problème de classification supervisée ?

A. Estimer un salaire selon les années d’expérience

B. Calculer une valeur continue à partir d’une mesure

C. Détecter si un message est un spam ou non

D. Prédire le prix d’une maison selon sa surface

Answer: (C)

Erklärung

La classification attribue une étiquette à une donnée qualitative, comme spam ou non spam. Les autres propositions relèvent de la régression, car elles visent une valeur quantitative.

11. Comment peut-on définir un jeu de données ?

A. Un ensemble organisé de données liées entre elles

B. Une liste de valeurs sans aucun lien entre elles

C. Une seule observation isolée et interprétée

D. Un message déjà formulé à partir d’une analyse

Answer: (A)

Erklärung

Un jeu de données est un ensemble de données organisées et reliées entre elles. Ce n’est pas une simple donnée isolée ni un message déjà interprété.

12. Que prédit un problème de régression ?

A. Une étiquette de classe

B. Une balise structurée

C. Une réponse sans variable cible

D. Une valeur quantitative continue

Answer: (D)

Erklärung

La régression consiste à prédire une grandeur numérique continue. La classification, elle, vise une étiquette ou une catégorie.

13. Dans une régression linéaire, que représente le training set ?

A. L’ensemble de données d’entraînement utilisé pour ajuster le modèle aux points observés

B. Un tableau de résultats déjà prédits par le modèle

C. Le jeu de données réservé uniquement à l’évaluation finale du modèle

D. Un ensemble de données sans aucune variable explicative

Answer: (A)

Erklärung

Le training set sert à entraîner et ajuster le modèle en le faisant coller aux points observés. Il ne correspond pas au test final ni à un ensemble de résultats déjà prédits.

14. Quel enchaînement correspond au cycle d’apprentissage en machine learning ?

A. Mise en contexte, puis interprétation, puis stockage

B. Apprentissage sur les données, calcul d’erreur, correction, optimisation puis évaluation

C. Création d’une règle fixe, puis suppression de l’erreur, puis prédiction

D. Évaluation d’abord, puis correction, puis importation des données

Answer: (B)

Erklärung

Le cycle comprend l’apprentissage sur les données d’entraînement, le calcul de l’erreur, la correction, l’optimisation et enfin l’évaluation. C’est un processus itératif.