Cuestionario: Principes fondamentaux du machine learning — 9 preguntas

1. Quelles sont les caractéristiques principales des données d'apprentissage supervisé dans le machine learning?

A. Données synthétiques générées par le modèle pendant l'entraînement

B. Données utilisées uniquement pour tester la performance d'un modèle déjà entraîné

C. Données étiquetées comprenant à la fois des entrées et des sorties attendues, utilisées pour entraîner un modèle

D. Données non étiquetées utilisées pour l'apprentissage non supervisé

Answer: (C)

Explicación

Les données d'apprentissage supervisé sont caractérisées par leur étiquetage, c'est-à-dire qu'elles contiennent à la fois les exemples d'entrée et leurs sorties correspondantes, ce qui permet au modèle d'apprendre à faire des prédictions précises.

2. Quelle est la principale mission de la fonction de perte dans un modèle de machine learning supervisé?

A. Mesurer la complexité du modèle.

B. Minimiser la différence entre la sortie du modèle et la cible réelle.

C. Augmenter la capacité du modèle à mémoriser les données d’entraînement.

D. Optimiser la vitesse d’apprentissage du modèle.

Answer: (B)

Explicación

La fonction de perte évalue l'écart entre la prédiction du modèle et la valeur réelle, permettant de guider l'ajustement des paramètres pour améliorer la précision.

3. Quel est le nom de la technique statistique qui modélise la relation entre une variable dépendante continue et une ou plusieurs variables indépendantes par une relation linéaire, souvent utilisée en machine learning ?

A. Régression logistique

B. Régression ridge

C. Régression polynomiale

D. Régression linéaire

Answer: (D)

Explicación

La régression linéaire est une technique qui modélise la relation entre une variable dépendante continue et des variables indépendantes par une relation linéaire, ce qui correspond précisément à la description donnée dans le contenu.

4. Quel est le risque principal associé à un modèle qui surapprend les données d’entraînement?

A. Sous-ajustement.

B. Biais élevé.

C. Perte de capacité à généraliser à de nouvelles données.

D. Ralentissement du processus d'apprentissage.

Answer: (C)

Explicación

Le sur-apprentissage, ou overfitting, se produit lorsque le modèle mémorise trop les données d’entraînement et perd en capacité de généralisation sur de nouvelles données.

5. Quel est le rôle principal de l'entraînement et de l'optimisation dans le développement d'un modèle machine learning ?

A. Augmenter la vitesse de calcul du modèle pour réduire le temps d'entraînement

B. Minimiser l'erreur entre la prédiction et la réalité pour améliorer la performance du modèle

C. Augmenter la taille des données d'entraînement pour améliorer la généralisation

D. Augmenter la complexité du modèle pour mieux s'adapter aux données d'entraînement

Answer: (B)

Explicación

L'entraînement et l'optimisation ont pour rôle principal de réduire l'écart entre les prédictions du modèle et les valeurs réelles, ce qui permet d'améliorer la performance et la capacité de généralisation du modèle.

6. Dans le contexte de la régression linéaire, quelle est la méthode généralement utilisée pour ajuster le modèle?

A. La descente de gradient.

B. L’algorithme de K-means.

C. La méthode de clustering par hiérarchies.

D. L’analyse en composantes principales (ACP).

Answer: (A)

Explicación

La descente de gradient est la méthode couramment utilisée pour minimiser la fonction de perte, comme MSE, en ajustant les paramètres dans la régression linéaire.

7. Quel type de modèle utilise une fonction prédictive notée $f(x, heta)$?

A. Un modèle génératif.

B. Un modèle discriminatif.

C. Un modèle bayésien.

D. Un modèle non supervisé.

Answer: (B)

Explicación

Une fonction prédictive $f(x, heta)$ décrit généralement un modèle discriminatif qui prédit directement la sortie à partir des caractéristiques du Input.

8. Quelle technique est couramment utilisée pour optimiser la mise à jour des paramètres d’un réseau de neurones lors de l’entraînement?

A. La rétropropagation.

B. Le clustering.

C. La réduction de dimension.

D. Le bootstrap.

Answer: (A)

Explicación

La rétropropagation est une méthode efficace pour calculer les gradients et ajuster les paramètres lors de l’entraînement d’un réseau de neurones.

9. Quelle est une caractéristique clé d’un modèle génératif par rapport à un modèle discriminatif?

A. Il doit modéliser la distribution conjointe des données et des labels.

B. Il se limite à prédire des étiquettes directement.

C. Il ne nécessite pas de données étiquetées.

D. Il ne peut pas être utilisé pour la classification.

Answer: (A)

Explicación

Les modèles génératifs apprennent la distribution conjointe afin de générer de nouvelles instances, contrairement aux modèles discriminatifs qui se concentrent sur la frontière de décision.