Cuestionario: Introduction aux Techniques de Machine Learning — 8 preguntas

1. Quelle étape est essentielle pour l'apprentissage supervisé selon la structure du cours ?

A. L'étude des réseaux de neurones

B. La sélection de modèle

C. La minimisation du risque empirique

D. L'analyse des enjeux éthiques

Answer: (C)

Explicación

La minimisation du risque empirique est essentielle pour l'apprentissage supervisé, car elle permet d'optimiser la performance du modèle en réduisant l'écart entre prédictions et valeurs réelles.

2. Comment le Machine Learning peut-il être appliqué dans le domaine de la santé ?

A. En remplaçant complètement les médecins

B. En créant des robots chirurgiens autonomes

C. En automatisant la rédaction de prescriptions

D. En améliorant la reconnaissance d'images médicales

Answer: (D)

Explicación

Le Machine Learning est utilisé dans la reconnaissance d'images, notamment dans le domaine médical pour analyser des images.

3. Comment utiliser l'apprentissage supervisé dans une application concrète ?

A. Pour découvrir des structures dans des données sans étiquettes

B. Pour créer de nouvelles données en imitant la distribution initiale

C. Pour prédire des étiquettes à partir de données étiquetées

D. Pour optimiser des actions en fonction des retours d'un environnement

Answer: (C)

Explicación

L'apprentissage supervisé est utilisé pour prédire des étiquettes à partir de données étiquetées, comme dans la classification ou la reconnaissance vocale.

4. Comment appliquer la formulation du problème de prédiction supervisée pour prévoir un label ?

A. En testant la fonction sur des données non étiquetées uniquement

B. En utilisant un jeu de données d’entraînement pour apprendre une fonction de prédiction

C. En recueillant un nouveau jeu de données après la prédiction

D. En ajustant manuellement les labels pour correspondre aux attributs

Answer: (B)

Explicación

La formulation consiste à utiliser un jeu de données d’entraînement pour apprendre une fonction capable de prévoir le label d’une nouvelle donnée.

5. Quelle affirmation correspond au sujet « Mesures de performance des prédicteurs : pertes locales, risque, prédicteur de Bayes et métriques globales pour données déséquilibrées » ?

A. Arg minf R(f) et R∗ : dans le contexte de la performance d’un prédicteur, le risque R(f) est une mesure de la performance basée sur une fonction de perte locale ℓ. Le prédicteur de Bayes…

B. Le cours comprend 10 conférences totalisant 15 heures, abordant divers thèmes liés au Machine Learning. La première introduction pose le cadre général, tandis que les conférences suivantes…

C. Error : erreur qui résulte de la différence entre la prédiction d’un modèle et la valeur réelle, pouvant être décomposée en erreur d’estimation et erreur d’approximation

D. Machine Learning is everywhere • Image : Champ de l'informatique qui permet aux systèmes d'apprendre et de s'améliorer automatiquement à partir de données, sans être explicitement programmés

Answer: (A)

Explicación

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Arg minf R(f) et R∗ : dans le contexte de la performance d’un prédicteur, le risque R(f) est une mesure de la performance basée sur une fonction de perte locale ℓ. Le prédicteur de Bayes….

6. Comment appliquer la méthode de clustering dans l'analyse de données non étiquetées ?

A. En regroupant les données pour maximiser la cohérence interne de chaque groupe et minimiser la similarité entre groupes

B. En attribuant une étiquette à chaque donnée en fonction d’un modèle supervisé

C. En réduisant la dimension des données pour simplifier leur représentation

D. En utilisant des métriques pour évaluer la qualité de la segmentation ou de la projection

Answer: (A)

Explicación

Le clustering consiste à regrouper les données dans des clusters en maximisant la similarité à l’intérieur de chaque groupe et en minimisant la similarité entre groupes, ce qui correspond à l’application décrite dans la source.

7. En quoi la régression linéaire diffère-t-elle de la régression logistique ?

A. La régression linéaire nécessite une optimisation numérique, la logistique une solution analytique.

B. Les deux méthodes utilisent une solution en forme fermée pour toutes les variables.

C. La régression linéaire est adaptée aux variables continues, la logistique aux variables binaires.

D. La régression linéaire est utilisée pour les variables binaires, la logistique pour les variables continues.

Answer: (C)

Explicación

La régression linéaire est adaptée aux variables continues et utilise une solution en forme fermée, alors que la régression logistique est pour variables binaires et nécessite une optimisation numérique.

8. Quelle propriété de la fonction de log-vraisemblance en régression logistique facilite son optimisation numérique ?

A. Son invariance sous transformation

B. Son absence de dérivées partielles

C. Sa convexité et sa différentiabilité

D. Sa non-linéarité

Answer: (C)

Explicación

La fonction de log-vraisemblance en régression logistique est caractérisée par sa convexité et sa différentiabilité, ce qui facilite son optimisation numérique.