1. Quel est l’objectif principal de l’apprentissage semi-supervisé ?
- ☐ Réduire la dimensionnalité des données
- ☐ Utiliser uniquement des données étiquetées
- ☐ Supprimer les valeurs aberrantes
- ☑ Exploiter un mélange de données étiquetées et non étiquetées
2. Quelle est la principale différence entre l’apprentissage supervisé et semi-
supervisé ?
- ☐ L’apprentissage semi-supervisé n’utilise que des données étiquetées
- ☑ L’apprentissage semi-supervisé utilise une petite quantité de données
étiquetées
- ☐ L’apprentissage semi-supervisé est toujours plus précis
- ☐ L’apprentissage supervisé est plus rapide
3. Quel type de problème peut être résolu par l’apprentissage semi-supervisé
?
- ☐ Seulement les problèmes de classification
- ☐ Seulement les problèmes de clustering
- ☑ Classification et clustering
- ☐ Seulement la détection d’anomalies
4. Quelle technique est souvent utilisée pour générer des pseudo-
étiquettes ?
- ☐ Algorithme k-means
- ☑ Auto-étiquetage (Self-training)
- ☐ Régression linéaire
- ☐ Apprentissage supervisé
5. Quelle méthode semi-supervisée utilise un réseau génératif pour améliorer
les performances ?
- ☐ Q-Learning
- ☑ GANs (Generative Adversarial Networks)
- ☐ Régression logistique
- ☐ Forêts aléatoires
6. Quelle technique peut améliorer la robustesse d’un modèle semi-supervisé
?
- ☐ Réduction de la taille du dataset
- ☑ Régularisation via Dropout
- ☐ Suppression des données non étiquetées
- ☐ Remplacement des modèles neuronaux par des modèles linéaires
7. Quel domaine bénéficie le plus de l’apprentissage semi-supervisé ?
- ☐ Jeux vidéo
- ☑ Médecine et reconnaissance d’images
- ☐ Développement web
- ☐ Comptabilité
8. Dans quelle situation l’apprentissage semi-supervisé est-il avantageux ?
- ☑ Lorsque les données étiquetées sont rares et coûteuses
- ☐ Lorsqu’il y a trop de données disponibles
- ☐ Lorsque toutes les données sont parfaitement annotées
- ☐ Lorsqu’un modèle de régression est utilisé
9. Quel est le but principal de l’apprentissage par renforcement ?
- ☐ Minimiser l’erreur de prédiction
- ☑ Apprendre à maximiser une récompense en interagissant avec un
environnement
- ☐ Réduire la variance des prédictions
- ☐ Améliorer l’encodage des variables catégorielles
10. Comment l’apprentissage par renforcement est-il différent de
l’apprentissage supervisé ?
- ☐ Il utilise des étiquettes fixes
- ☑ Il apprend en interagissant avec un environnement et en recevant des
récompenses
- ☐ Il ne fonctionne qu’avec des bases de données structurées
- ☐ Il est plus rapide que l’apprentissage supervisé
11. Quelle est la fonction principale de la récompense en apprentissage par
renforcement ?
- ☐ Améliorer la vitesse d’apprentissage
- ☑ Guider l’agent vers le comportement souhaité
- ☐ Sélectionner les meilleures caractéristiques
- ☐ Augmenter la quantité de données étiquetées
12. Quel algorithme est souvent utilisé en apprentissage par renforcement ?
- ☐ SVM
- ☑ Q-Learning
- ☐ PCA
- ☐ Naïve Bayes
13. Quelle est la principale différence entre Q-Learning et SARSA ?
- ☐ SARSA suppose un comportement optimal
- ☐ Q-Learning est une méthode on-policy
- ☑ Q-Learning est hors-politique alors que SARSA est on-policy
- ☐ Il n’y a aucune différence
14. Quel est le rôle d’un agent en apprentissage par renforcement ?
- ☐ Étiqueter les données non étiquetées
- ☐ Générer de nouvelles données
- ☑ Prendre des décisions et apprendre à travers l’expérience
- ☐ Réduire la dimensionnalité des données
15. Quelle stratégie équilibre exploration et exploitation ?
- ☑ ε-greedy
- ☐ Bagging
- ☐ Filtrage collaboratif
- ☐ Normalisation
16. Dans quel domaine l’apprentissage par renforcement est-il le plus
utilisé ?
- ☐ Traitement de texte
- ☑ Robotique et jeux vidéo
- ☐ Comptabilité
- ☐ Détection de spams
17. Quel est un défi majeur de l’apprentissage par renforcement ?
- ☐ Trop de données disponibles
- ☑ Le besoin de grandes quantités d’essais et d’erreurs
- ☐ Il fonctionne mieux que toutes les autres méthodes
- ☐ Il est simple à mettre
