Examen Final
Intelligence Artificielle
19 JUIN 2025
Questions à choix multiples
1. Quel est le but de l’optimisation en mathématiques ?
— Minimiser ou maximiser une fonction
— Résoudre des équations polynomiales
— Réduire les données massives
2. Qu’est-ce que l’intelligence artificielle selon Cédric Villani ?
— Une technologie simulant des capacités humaines comme la perception et
le raisonnement
— Un système expert basé sur des règles logiques
— Un outil de calcul matriciel
3. Quel est l’objectif du Machine Learning ?
— Apprendre à partir des données
— Programmer explicitement une tâche
— Créer un site web
4. Dans quel domaine utilise-t-on principalement le Deep Learning ?
— Reconnaissance d’image et de son
— Calculs financiers
— Compression de fichiers
5. Quel type de fonction est idéale pour la descente de gradient ?
— Fonction convexe
— Fonction constante
— Fonction exponentielle
6. Quelle est la première étape de la descente de gradient ?
— Calculer la dérivée de la fonction coût
— Changer les données d’entrée
— Optimiser le réseau de neurones
1
7. Quel est le rôle de la descente de gradient dans un réseau de neu-
rones ?
— Créer la structure du réseau
— Nettoyer les données d’entrée
— Ajuster les poids pour minimiser l’erreur
8. Qu’est-ce que le Big Data ?
— L’ensemble des données massives générées chaque jour
— Un logiciel de visualisation
— Un langage de programmation
9. Qu’est-ce qu’un problème d’optimisation combinatoire ?
— Optimisation sur un ensemble fini et discret de solutions
— Optimisation sur un espace continu
— Problème sans contrainte
10. Quel est le rôle des contraintes dans un problème d’optimisation ?
— Limiter l’espace de recherche
— Augmenter le coût
— Simplifier les calculs
11. Quel problème célèbre d’optimisation consiste à trouver le chemin
le plus court entre plusieurs villes ?
— Le problème du voyageur de commerce
— Le problème de coloration de graphe
— Le problème des huit reines
12. Pourquoi la méthode exhaustive est-elle inefficace pour le problème
du voyageur de commerce ?
— À cause de la complexité factorielle
— Elle donne toujours de mauvaises solutions
— Elle ignore les contraintes de distance
13. Quel est l’objectif du problème de sac à dos ?
— Maximiser la valeur totale sans dépasser la capacité
— Répartir le poids également
— Minimiser le nombre d’objets utilisés
14. Quel est le principal inconvénient de la méthode de descente ?
2
— Elle s’arrête au premier minimum local
— Elle converge trop lentement
— Elle nécessite un grand espace mémoire
15. Quelle technique permet d’échapper aux minimums locaux dans
une recherche d’optimisation ?
— Recuit simulé
— Gradient ascendant
— Programmation dynamique
16. Quelle est la principale caractéristique des métaheuristiques ?
— Elles utilisent des processus aléatoires pour explorer l’espace de solutions
— Elles garantissent la solution optimale
— Elles sont limitées aux petits problèmes
17. Quel paramètre contrôle l’acceptation des solutions moins bonnes
dans le recuit simulé ?
— La température
— La taille du voisinage
— Le nombre d’itérations
18. Comment évolue la température dans l’algorithme de recuit si-
mulé ?
— Elle diminue progressivement
— Elle reste constante
— Elle augmente avec le temps
19. Dans quel cas une dégradation est acceptée dans le recuit simulé ?
— Avec une probabilité qui dépend de la température et de l’augmentation
de coût
— Jamais
— Toujours si la solution est voisine
20. Pourquoi le recuit simulé est-il adapté aux problèmes NP-difficiles ?
— Car il explore des solutions même sous-optimales pour éviter les pièges
— Parce qu’il utilise une méthode exacte
— Parce qu’il ne nécessite aucune donnée
