Quiz: Introduction aux Méthodes d'Intelligence Artificielle — 10 perguntas

1. Quel est le rôle principal de KNN dans l'apprentissage automatique ?

A. Optimisation de la séparation linéaire entre classes

B. Clustering non supervisé de données

C. Réduction de dimensionnalité par projection

D. Classification ou prédiction en utilisant la proximité des voisins

Answer: (D)

Explicação

KNN est une méthode supervisée utilisée pour classer ou prédire une valeur en fonction de ses voisins proches dans l'espace des caractéristiques. Elle ne sert pas à faire du clustering, de la réduction de dimension ou à optimiser une séparation linéaire, mais à faire des prédictions basées sur la proximité.

2. Qu'est-ce que l'ensemble learning en apprentissage automatique ?

A. Une procédure de normalisation des données avant l'apprentissage

B. Une méthode pour réduire le nombre de paramètres dans un modèle unique

C. Une technique qui utilise uniquement un seul modèle pour faire des prédictions

D. Une technique qui consiste à combiner plusieurs modèles pour améliorer la performance globale

Answer: (D)

Explicação

L'ensemble learning est une stratégie qui consiste à combiner plusieurs modèles pour améliorer la performance globale, en exploitant leur diversité.

3. Qui sont les auteurs ayant introduit la méthode Support Vector Machine (SVM) en 1995 ?

A. Vladimir Vapnik et Yann LeCun

B. Yann LeCun et Yoshua Bengio

C. Vladimir Vapnik et Corinna Cortes

D. Geoffrey Hinton et Yann LeCun

Answer: (C)

Explicação

Les auteurs Vladimir Vapnik et Corinna Cortes ont introduit la méthode Support Vector Machine (SVM) en 1995, une technique fondamentale en apprentissage automatique pour la classification et la régression.

4. Quelle est la caractéristique clé de l’évaluation des modèles en apprentissage automatique ?

A. La vitesse d’entraînement du modèle

B. La simplicité de l’algorithme utilisé

C. La capacité à mesurer la complexité du modèle

D. La capacité à mesurer la capacité de généralisation du modèle

Answer: (D)

Explicação

La caractéristique clé de l’évaluation des modèles est leur capacité à généraliser, c’est-à-dire leur performance sur de nouvelles données non vues lors de l’entraînement. La validation croisée et le coefficient de corrélation de Pearson sont des outils pour mesurer cette capacité, ce qui en fait une étape essentielle dans la sélection et la validation des modèles.

5. Quand la régression linéaire et la régression polynomiale ont-elles été établies ou formalisées ?

A. La régression linéaire et la régression polynomiale ont été toutes deux formalisées dans les années 1980.

B. La régression linéaire a été formalisée au 19e siècle, tandis que la régression polynomiale s'est popularisée dans la seconde moitié du 20e siècle.

C. La régression polynomiale a été formalisée au 19e siècle, alors que la régression linéaire a été développée dans les années 2000.

D. Les deux concepts ont été établis simultanément dans les années 1950.

Answer: (B)

Explicação

La régression linéaire a été formalisée au 19e siècle, notamment par Francis Galton en 1886, tandis que la régression polynomiale a été popularisée avec le développement des méthodes numériques dans la seconde moitié du 20e siècle. La chronologie correcte est donc que la régression linéaire a été établie en premier, suivie par la régression polynomiale.

6. Qui est crédité d'avoir formulé la méthode Support Vector Machine (SVM) en 1995, notamment la notion de marges maximales et de plongements en dimension supérieure via noyaux?

A. Vladimir Vapnik et Alexey Chervonenkis

B. Cortes et Vapnik

C. Bernhard Schölkopf et Alexander J. Smola

D. Vladimir Vapnik seul

Answer: (A)

Explicação

Vladimir Vapnik, avec ses collègues, a introduit la méthode Support Vector Machine en 1995, en développant le concept de marges maximales et l'utilisation de plongements en dimension supérieure via noyaux. Vapnik est considéré comme le père de cette méthode, dont la publication clé date de 1995.

7. Quelle est la caractéristique principale d'une méthode d'apprentissage supervisé comme KNN?

A. Elle partitionne les données en K groupes sans utiliser d'étiquettes.

B. Elle utilise des données étiquetées pour apprendre à classer ou prédire.

C. Elle prédit une variable continue en utilisant la moyenne des k voisins.

D. Elle maximise la marge entre différentes classes dans un espace de dimension supérieure.

Answer: (B)

Explicação

La caractéristique principale d'une méthode d'apprentissage supervisé comme KNN est qu'elle utilise des données étiquetées pour apprendre à classer ou prédire. KNN prédit en fonction des voisins proches dans l'espace des caractéristiques, ce qui en fait une méthode supervisée. La première option décrit la régression par moyenne (KNN pour la régression), la troisième option correspond à KMeans (clustering non supervisé), et la quatrième décrit la méthode SVM.

8. Comment appliquer efficacement un SVM à un problème de classification non linéaire ?

A. Utiliser une séparation linéaire sans transformation préalable

B. Choisir un noyau et effectuer un plongement en dimension supérieure

C. Utiliser uniquement un noyau linéaire sans transformation supplémentaire

D. Augmenter la marge en réduisant le nombre de vecteurs de support

Answer: (B)

Explicação

Pour appliquer un SVM à un problème non linéaire, il est essentiel d'utiliser une fonction de noyau qui permet de transformer les données dans un espace de dimension supérieure, où une séparation linéaire est possible. Cette étape, appelée plongement en dimension supérieure, est la clé pour traiter efficacement la non-linéarité dans les données.

9. En quoi les arbres de décision et les forêts aléatoires se ressemblent-ils ou diffèrent-ils ?

A. Les arbres de décision nécessitent une grande quantité de données pour fonctionner, contrairement aux forêts aléatoires qui peuvent fonctionner avec peu de données.

B. Les arbres de décision sont une méthode non supervisée, alors que les forêts aléatoires sont une méthode supervisée.

C. Les arbres de décision utilisent une séparation linéaire, alors que les forêts aléatoires ne peuvent modéliser que des frontières linéaires.

D. Les arbres de décision sont des modèles simples qui utilisent une seule structure arborescente, tandis que les forêts aléatoires combinent plusieurs arbres pour améliorer la stabilité et la précision.

Answer: (D)

Explicação

Les arbres de décision sont des modèles individuels qui utilisent des divisions successives pour classer ou prédire. Les forêts aléatoires sont une extension qui combine plusieurs arbres de décision, construits à partir d’échantillons aléatoires, pour améliorer la stabilité, la précision et réduire le surapprentissage.

10. Quelle est la cause principale de l'efficacité des classifieurs bayésiens dans la classification?

A. Leur aptitude à gérer de très grands ensembles de données

B. Leur capacité à modéliser la relation linéaire entre variables

C. L'utilisation du théorème de Bayes pour calculer des probabilités conditionnelles

D. Leur capacité à apprendre rapidement à partir d'un grand nombre d'exemples

Answer: (C)

Explicação

Les classifieurs bayésiens sont efficaces principalement parce qu'ils utilisent le théorème de Bayes pour calculer la probabilité qu'une donnée appartienne à une classe donnée, ce qui leur permet d'effectuer une classification probabiliste précise et robuste.