QCM - Machine Learning
Chapitre 1
1. Quelle est la définition correcte de l'apprentissage automatique ?
a) Donner des instructions précises à un ordinateur.
b) Permettre à une machine d'apprendre automatiquement à partir de données.
c) Programmer explicitement toutes les solutions possibles.
d) Créer un site web sans coder.
2. L'apprentissage supervisé implique :
a) Des données sans étiquettes.
b) Des récompenses et pénalités.
c) Des entrées associées à des sorties connues.
d) De la découverte automatique de structures.
3. Dans l'apprentissage non supervisé, l'objectif est de :
a) Prédire des labels.
b) Trouver des structures cachées dans les données.
c) Maximiser une fonction de récompense.
d) Utiliser une descente de gradient.
4. Lequel est un exemple d'apprentissage par renforcement ?
a) Classification d'images.
b) Groupement de clients.
c) Un robot qui apprend à marcher.
d) Détection de fraude bancaire.
5. Une application pratique de l'apprentissage automatique est :
a) Compiler un programme.
b) Reconnaitre les visages dans les photos.
c) Installer un antivirus.
d) Écrire un roman.
Chapitre 2
6. L'extraction de caractéristiques consiste à :
a) Ajouter des données inutiles.
b) Créer de nouvelles variables informatives à partir des données brutes.
c) Supprimer toutes les données.
d) Faire tourner une boucle infinie.
7. La sélection d'attributs vise à :
a) Multiplier les dimensions des données.
b) Conserver uniquement les variables les plus pertinentes.
c) Ignorer les données manquantes.
d) Ajouter du bruit aléatoire.
8. La classification est un problème où :
a) On affecte une catégorie à chaque observation.
b) On génère aléatoirement des points.
c) On minimise un cluster.
d) On supprime des classes existantes.
9. Le clustering cherche à :
a) Prédire une valeur continue.
b) Regrouper les données similaires sans étiquettes.
c) Appliquer une descente de gradient.
d) Générer du texte.
Chapitre 3
10. Un ensemble de données contient généralement :
a) Des algorithmes uniquement.
b) Des observations et des étiquettes (pour supervisé).
c) Un seul nombre constant.
d) Un réseau de neurones préentraîné.
11. L'évaluation d'un modèle vise à :
a) Améliorer sa vitesse de compilation.
b) Mesurer ses performances sur des données inconnues.
c) Ajouter plus de données bruyantes.
d) Réduire la taille du modèle au hasard.
12. Un bon ensemble d'évaluation doit être :
a) Déjà vu pendant l'entraînement.
b) Complètement nouveau pour tester la généralisation.
c) Mélangé avec les données d'entraînement.
d) Supprimé à la fin de l'entraînement.
13. Quel indicateur est typiquement utilisé pour mesurer la performance d'un modèle de
classification ?
a) MAE (Mean Absolute Error)
b) Accuracy (Taux de précision)
c) MSE (Mean Squared Error)
d) R² (coefficient de détermination)
Chapitre 4
14. La descente de gradient sert à :
a) Augmenter l'erreur.
b) Minimiser la fonction coût.
c) Ajouter des neurones aléatoirement.
d) Sauter directement au résultat final.
15. La métaheuristique est :
a) Un algorithme exact pour tout résoudre.
b) Une approche approximative pour chercher de bonnes solutions.
c) Une méthode qui garantit la meilleure solution.
d) Une fonction d'activation.
16. Un problème classique de la descente de gradient est :
a) Aller trop vite au bon minimum.
b) Se bloquer dans un minimum local.
c) Générer trop de nouvelles données.
d) Créer plusieurs sorties en parallèle.
Chapitre 5
17. Le learning rate contrôle :
a) Combien de features sont utilisées.
b) La taille du pas de mise à jour dans la descente de gradient.
c) Le nombre de classes de sortie.
d) Le nombre de couches du réseau.
18. Un learning rate trop grand peut :
a) Accélérer la convergence sans risque.
b) Faire diverger l'algorithme.
c) Garantir d'atteindre l'optimum global.
d) Réduire la mémoire utilisée.
19. Grid Search est utilisé pour :
a) Choisir aléatoirement des hyperparamètres.
b) Trouver la meilleure combinaison d'hyperparamètres en testant systématiquement.
c) Réduire la taille d'un dataset.
d) Découper un réseau de neurones en petits morceaux.
20. L'early stopping est une technique pour :
a) Continuer l'entraînement le plus longtemps possible.
b) Arrêter l'entraînement quand la performance ne s'améliore plus.
c) Réinitialiser le modèle régulièrement.
d) Ajouter du bruit aux données d'entrée.
