Apprentissage Supervisé en Intelligence Artificielle

Audio automatique activé : les prochaines questions seront lues quand vous cliquerez sur Continuer.

1. 1

   Qu'est-ce que l'apprentissage supervisé ?

   A Un modèle qui fonctionne sans jeu de données. B Une méthode où le modèle apprend à partir de données étiquetées. C Un algorithme qui utilise le renforcement pour apprendre.
2. 2

   Quel type de problème peut être résolu avec un modèle de régression en apprentissage supervisé ?

   A Classification B Clustering C Prédiction de valeurs continues
3. 3

   Quel est le rôle d'une fonction de perte dans un modèle supervisé ?

   A Évaluer la différence entre la prédiction et la valeur réelle. B Augmenter la complexité du modèle. C Déterminer l'architecture du réseau.
4. 4

   Quel algorithme est couramment utilisé pour la classification binaire en apprentissage supervisé ?

   A Régression logistique B K-means C Algorithme apriori
5. 5

   Lors de l'entraînement d'un modèle supervisé, que signifie le terme 'overfitting' ?

   A Le modèle s'entraîne mal et sous-exploite les données. B Le modèle est totalement incapable d'apprendre. C Le modèle s'adapte trop aux données d'entraînement et se généralise mal.
6. 6

   Quel est l'objectif principal du prétraitement des données ?

   A Augmenter la taille des données. B Nettoyer et transformer les données pour améliorer l'entraînement du modèle. C Réduire la diversité des échantillons.
7. 7

   Quel est le bénéfice de l'usage de la validation croisée ?

   A Évaluer la performance et réduire le bias du modèle. B Augmenter la complexité du modèle. C Rendre le modèle plus rapide.
8. 8

   Parmi les techniques suivantes, laquelle est considérée comme une méthode d'ensemble ?

   A Gradient Descent B Random Forest C Logistic Regression
9. 9

   Quel type de données est typiquement nécessaire pour un modèle supervisé ?

   A Données non structurées sans étiquettes. B Données non structurées avec étiquettes. C Données étiquetées et structurées.
10. 10

    Quelle est la fonction principale de l'algorithme K-Nearest Neighbors ?

    A Classer en fonction des données voisines les plus proches. B Réduire le biais d'un modèle. C Optimiser la descente de gradient.