Quiz: Introduction au clustering en IA — 8 perguntas

1. En quoi le principe de K-means diffère-t-il de l'initialisation avec K-means++ ?

A. K-means minimise l'inertie intra-cluster, alors que K-means++ ne le fait pas.

B. K-means utilise une initialisation aléatoire, alors que K-means++ utilise une initialisation déterministe.

C. K-means nécessite de fixer le nombre de clusters, contrairement à K-means++.

D. K-means alterne entre assignation et mise à jour des centroïdes, tandis que K-means++ concerne l'initialisation des centroïdes.

Answer: (D)

Explicação

K-means repose sur un processus itératif d'assignation et de recalcul des centroïdes, alors que K-means++ concerne la méthode d'initialisation des centroïdes pour améliorer la convergence.

2. Quelle affirmation correspond au sujet « Définition, objectifs et applications du clustering en apprentissage non supervisé » ?

A. Apprentissage supervisé : Approche d'apprentissage où un modèle est entraîné à partir de données d'entraînement étiquetées pour apprendre à prédire ces étiquettes sur de nouveaux exemples

B. Clustering : Tâche d'apprentissage non supervisé qui consiste à regrouper des données en sous-ensembles homogènes sans étiquettes connues a priori

C. Supervisé Données d'entrainement : Ensemble d'exemples pour lesquels les étiquettes sont connues et fournies au modèle afin qu'il apprenne à reproduire ces étiquettes

D. Les tâches principales de l'apprentissage supervisé sont la classification et la régression

Answer: (B)

Explicação

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Clustering : Tâche d'apprentissage non supervisé qui consiste à regrouper des données en sous-ensembles homogènes sans étiquettes connues a priori.

3. Quelle affirmation correspond au sujet « Apprentissage supervisé et non supervisé en intelligence artificielle » ?

A. Intra-classe : Objectif de maximiser la compacité des clusters en minimisant la distance entre points d'un même cluster

B. Clustering : Tâche d'apprentissage non supervisé qui consiste à regrouper des données en sous-ensembles homogènes sans étiquettes connues a priori

C. Supervisé Données d'entrainement : Ensemble d'exemples pour lesquels les étiquettes sont connues et fournies au modèle afin qu'il apprenne à reproduire ces étiquettes

D. Inter-classe : Objectif de maximiser la séparation entre différents clusters en augmentant la distance entre eux

Answer: (C)

Explicação

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Supervisé Données d'entrainement : Ensemble d'exemples pour lesquels les étiquettes sont connues et fournies au modèle afin qu'il apprenne à reproduire ces étiquettes.

4. Qu'est-ce que l'ACP dans le contexte du pipeline de clustering ?

A. Une technique de normalisation des données avant clustering

B. Une méthode de réduction de dimensionnalité par projection sur les premières composantes principales

C. Un algorithme de clustering basé sur la densité

D. Une méthode d'initialisation des centroïdes dans K-means

Answer: (B)

Explicação

L'ACP est une méthode de réduction de dimensionnalité qui projette les données sur les premières composantes principales, permettant de conserver l'essentiel de l'information tout en simplifiant l'espace d'analyse.

5. Comment la forme des clusters détectés par K-means diffère-t-elle de celle détectée par CAH ?

A. Les deux algorithmes détectent uniquement des clusters sphériques.

B. K-means ne peut pas détecter de clusters, contrairement à CAH.

C. K-means détecte des clusters sphériques ou convexes, CAH peut détecter des clusters de forme quelconque.

D. K-means détecte des clusters de forme quelconque, CAH détecte uniquement des clusters sphériques.

Answer: (C)

Explicação

K-means est adapté aux clusters sphériques ou convexes, tandis que CAH peut détecter des clusters de forme quelconque, ce qui constitue leur principale différence en termes de forme.

6. Comment utiliser la mesure de distance la plus appropriée lors d'un clustering ?

A. Choisir la mesure en fonction du nombre de dimensions du jeu de données

B. Utiliser la distance Euclidienne dans tous les cas

C. Sélectionner la mesure en fonction des caractéristiques des données

D. Prendre la mesure la plus simple à calculer

Answer: (C)

Explicação

Le choix de la mesure de distance doit être adapté aux caractéristiques des données pour garantir la qualité du clustering.

7. En quoi la Classification Ascendante Hiérarchique diffère-t-elle d'une méthode top-down de classification ?

A. Elle utilise des critères de division plutôt que de fusion

B. Elle nécessite de fixer le nombre de clusters à l'avance

C. Elle commence avec tous les éléments regroupés et les divise progressivement

D. Elle fusionne itérativement les clusters les plus proches à partir de singleton

Answer: (D)

Explicação

La CAH est une méthode bottom-up qui fusionne les clusters, contrairement à une méthode top-down qui divise d'emblée.

8. Quelle affirmation correspond au sujet « Évaluation des clusters : inertie intra-classe, méthode du coude et coefficient de silhouette » ?

A. Les tâches principales de l'apprentissage supervisé sont la classification et la régression

B. Supervisé Données d'entrainement : Ensemble d'exemples pour lesquels les étiquettes sont connues et fournies au modèle afin qu'il apprenne à reproduire ces étiquettes

C. Apprentissage supervisé : Approche d'apprentissage où un modèle est entraîné à partir de données d'entraînement étiquetées pour apprendre à prédire ces étiquettes sur de nouveaux exemples

D. Évaluation : Inertie & Méthode du coude Question : Comment savoir si mon clustering est bon ?

Answer: (D)

Explicação

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Évaluation : Inertie & Méthode du coude Question : Comment savoir si mon clustering est bon ?.