Quiz: Introduction au Machine Learning — 24 domande

1. Comment définir le machine learning dans le cadre de l’intelligence artificielle ?

A. Une méthode de programmation explicite basée sur des règles codées à la main

B. Un sous-ensemble de l’intelligence artificielle qui apprend à partir de données pour prédire ou décider

C. Un ensemble de techniques qui remplacent toujours les algorithmes classiques

D. Une branche de la statistique qui ne traite que des données non annotées

Answer: (B)

Spiegazione

Le machine learning est présenté comme un sous-ensemble de l’IA où des algorithmes apprennent à partir de données pour faire des prédictions ou des décisions. Il ne repose pas sur une programmation explicite de la tâche.

2. Dans quelles situations le machine learning est-il particulièrement adapté ?

A. Quand la sortie du modèle doit toujours être une classe binaire

B. Quand les données d’entraînement sont inutiles pour apprendre

C. Quand un algorithme conventionnel est difficile ou impossible à concevoir efficacement

D. Quand il faut écrire une suite de règles simples et parfaitement connues

Answer: (C)

Spiegazione

Le machine learning est indiqué comme une alternative adaptée lorsque la conception d’un algorithme conventionnel est difficile ou impossible. Il apprend alors à partir des données plutôt que de règles codées à l’avance.

3. Quelle est la première grande étape du processus de machine learning supervisé ?

A. La phase de pré-traitement des données

B. La phase d’évaluation sur des données jamais vues

C. La phase de comparaison avec des données de test

D. La phase de déploiement du modèle en production

Answer: (A)

Spiegazione

Le processus supervisé commence par le pré-traitement, avant l’apprentissage puis l’évaluation. L’évaluation vient après la construction du modèle.

4. À quoi sert principalement le jeu de test dans un processus de machine learning ?

A. À remplacer complètement le jeu d’entraînement

B. À évaluer le modèle sur des données nouvelles non utilisées pour l’apprentissage

C. À ajuster les paramètres du modèle pendant l’apprentissage

D. À construire la matrice des caractéristiques d’entraînement

Answer: (B)

Spiegazione

Le jeu de test est réservé à l’évaluation du modèle sur des données non utilisées pendant l’apprentissage. Cela permet d’estimer sa généralisation sur de nouvelles entrées.

5. Quel type d’apprentissage automatique consiste à prédire une sortie à partir de paires entrée/sortie connues ?

A. L’apprentissage par transfert

B. L’apprentissage par renforcement

C. L’apprentissage non supervisé

D. L’apprentissage supervisé

Answer: (D)

Spiegazione

L’apprentissage supervisé s’appuie sur des exemples annotés, c’est-à-dire des paires entrée/sortie. L’objectif est d’apprendre à prédire la sortie à partir de l’entrée.

6. Quel type d’apprentissage vise à choisir des actions pour maximiser des récompenses au fil du temps ?

A. L’apprentissage par validation croisée

B. L’apprentissage supervisé

C. L’apprentissage par renforcement

D. L’apprentissage non supervisé

Answer: (C)

Spiegazione

L’apprentissage par renforcement est défini par l’interaction avec un environnement et des récompenses. Le but est d’optimiser les actions au cours du temps.

7. En apprentissage supervisé, que prédit un problème de classification ?

A. Une matrice de distances entre observations

B. Une valeur numérique continue

C. Une étiquette parmi des classes prédéfinies

D. Un ensemble de règles non paramétriques

Answer: (C)

Spiegazione

La classification consiste à prédire une étiquette choisie parmi des classes prédéfinies. La régression, elle, vise une valeur continue.

8. Que cherche à prédire un problème de régression ?

A. Une étiquette discrète parmi plusieurs classes

B. Le nombre de caractéristiques du modèle

C. La forme exacte du jeu de données

D. Une valeur numérique continue

Answer: (D)

Spiegazione

En régression, la variable cible est une valeur numérique continue. Cela la distingue de la classification, qui prédit une classe.

9. Qu’est-ce que le surapprentissage ?

A. Un modèle qui généralise mieux grâce à une grande complexité

B. Un modèle qui ne peut pas être évalué sur un jeu de test

C. Un modèle qui apprend trop bien l’entraînement mais généralise mal

D. Un modèle qui ignore totalement les données d’entraînement

Answer: (C)

Spiegazione

Le surapprentissage apparaît quand le modèle s’adapte trop aux données d’entraînement et se généralise mal. Il performe donc bien sur l’entraînement mais moins bien sur de nouvelles données.

10. Quel est l’intérêt principal de la validation croisée face à un seul découpage train-test ?

A. Forcer le modèle à être moins complexe

B. Remplacer la prédiction par une simple moyenne

C. Réduire le risque d’un résultat dû au hasard d’un seul découpage

D. Supprimer la nécessité d’un jeu d’entraînement

Answer: (C)

Spiegazione

La validation croisée évalue le modèle sur plusieurs découpages, ce qui limite l’effet d’un split chanceux. Elle donne ainsi une estimation plus stable de la généralisation.

11. Quel est l’objectif principal de l’analyse exploratoire des données ?

A. Comprendre les variables, repérer les erreurs et les valeurs aberrantes

B. Remplacer l’entraînement du modèle par des graphiques

C. Convertir automatiquement les données en classes

D. Choisir uniquement le meilleur algorithme final

Answer: (A)

Spiegazione

L’analyse exploratoire sert à explorer les données avec des méthodes statistiques et graphiques pour en comprendre la structure. Elle aide aussi à repérer les anomalies et les valeurs aberrantes.

12. Quel graphique est particulièrement utile pour visualiser la relation entre deux variables numériques ?

A. Le boxplot

B. L’histogramme

C. Le nuage de points

D. La matrice de confusion

Answer: (C)

Spiegazione

Le nuage de points est utilisé pour visualiser les relations entre deux variables numériques. Le boxplot et l’histogramme servent plutôt à décrire la distribution d’une variable.

13. Que désigne la variable cible dans un modèle supervisé ?

A. La liste des hyperparamètres du modèle

B. La sortie que le modèle cherche à prédire

C. Le seuil de décision choisi après l’entraînement

D. Le nombre de variables explicatives

Answer: (B)

Spiegazione

La variable cible est la sortie à prédire par le modèle. Elle correspond au label en classification ou à la valeur numérique en régression.

14. Que représente une donnée catégorielle nominale ?

A. Une catégorie sans ordre, comme une couleur ou une marque

B. Une valeur numérique continue

C. Une catégorie avec ordre naturel

D. Une variable destinée à être prédite

Answer: (A)

Spiegazione

Une variable nominale décrit des groupes sans ordre, comme les couleurs ou les marques. Elle se distingue d’une variable ordinale, qui possède un ordre.

15. Sur quel principe repose la méthode des k plus proches voisins ?

A. Sur une pénalisation des coefficients du modèle

B. Sur la moyenne de toutes les observations du jeu de données

C. Sur une séparation linéaire apprise par optimisation

D. Sur les k observations les plus proches dans l’espace des caractéristiques

Answer: (D)

Spiegazione

KNN prédit à partir des k observations les plus proches dans l’espace des caractéristiques. La décision dépend donc de la proximité mesurée entre points.

16. En classification KNN, comment la prédiction finale est-elle généralement déterminée ?

A. Par la somme pondérée de tous les exemples

B. Par la médiane des valeurs des voisins

C. Par la classe majoritaire parmi les voisins

D. Par le coefficient le plus grand du modèle

Answer: (C)

Spiegazione

En classification KNN, la sortie est donnée par la classe majoritaire parmi les voisins. En régression, on utilise plutôt la moyenne des valeurs voisines.

17. Quelle est la paire correcte de méthodes en Python pour entraîner puis prédire avec un modèle ?

A. fit() puis predict()

B. split() puis merge()

C. predict() puis fit()

D. transform() puis score()

Answer: (A)

Spiegazione

En Python, l’apprentissage se fait avec fit() et la prédiction avec predict(). C’est l’enchaînement standard pour entraîner puis utiliser un modèle.

18. Dans KNN, pourquoi dit-on que la méthode est non paramétrique ?

A. Parce qu’elle impose une fonction de coût quadratique

B. Parce qu’elle mémorise les observations de l’ensemble d’apprentissage

C. Parce qu’elle apprend uniquement des coefficients linéaires

D. Parce qu’elle n’utilise jamais de données d’entraînement

Answer: (B)

Spiegazione

KNN est non paramétrique car il mémorise les observations de l’ensemble d’apprentissage au lieu d’estimer une forme fonctionnelle fixe. La prédiction repose ensuite sur les voisins les plus proches.

19. Pourquoi réalise-t-on un train-test split ?

A. Pour mesurer la performance sur des données jamais vues pendant l’entraînement

B. Pour entraîner et tester sur exactement les mêmes données

C. Pour augmenter artificiellement la taille du jeu de test

D. Pour supprimer les variables catégorielles du jeu de données

Answer: (A)

Spiegazione

Le train-test split permet d’évaluer la généralisation sur des données non vues pendant l’entraînement. Il aide ainsi à limiter une estimation trop optimiste due au surapprentissage.

20. Comment la prédiction finale d’une forêt aléatoire se fait-elle en régression ?

A. Par vote majoritaire

B. Par choix du plus petit arbre

C. Par la médiane des variables explicatives

D. Par moyenne des prédictions des arbres

Answer: (D)

Spiegazione

En régression, une forêt aléatoire agrège les arbres par moyenne des prédictions. En classification, l’agrégation se fait par vote majoritaire.

21. Que minimise la méthode des moindres carrés ordinaires en régression linéaire ?

A. Le nombre de caractéristiques utilisées

B. L’erreur quadratique sur les données

C. La somme des erreurs absolues

D. La variance des variables explicatives

Answer: (B)

Spiegazione

Les moindres carrés ordinaires choisissent les paramètres en minimisant l’erreur quadratique. C’est le principe central de l’estimation en régression linéaire.

22. Quelle forme prend le modèle de régression linéaire multiple ?

A. Une pénalité ajoutée aux coefficients

B. Une fonction de décision fondée sur des voisins

C. Une combinaison linéaire des caractéristiques plus un biais

D. Une somme de classes pondérées par des distances

Answer: (C)

Spiegazione

La régression linéaire multiple relie la cible à plusieurs caractéristiques par une combinaison linéaire avec un biais. Les coefficients sont ajustés pendant l’apprentissage.

23. Quelle est la particularité principale de la régularisation ridge ?

A. Elle remplace la régression par une classification

B. Elle ajoute une pénalité L2 pour limiter la taille des coefficients

C. Elle choisit uniquement les variables catégorielles

D. Elle peut forcer certains coefficients à zéro

Answer: (B)

Spiegazione

Ridge ajoute une pénalité L2 qui réduit l’amplitude des coefficients et aide à limiter le surapprentissage. Contrairement au lasso, elle ne vise pas à annuler explicitement certains coefficients.

24. Quel effet caractérise le lasso ?

A. Il pénalise les coefficients et peut en annuler certains exactement

B. Il transforme la régression en modèle non supervisé

C. Il impose une distance entre les observations

D. Il maximise la variance des prédictions

Answer: (A)

Spiegazione

Le lasso utilise une pénalité L1 qui peut pousser certains coefficients exactement à zéro. Il sert donc aussi à sélectionner des variables.