QCM : Introduction à la science des données — 8 questions

Explication

La science des données est une discipline interdisciplinaire qui vise à extraire des connaissances ou des informations pertinentes à partir de grandes quantités de données, en utilisant des méthodes statistiques, mathématiques et informatiques.

Explication

Andrew Ng est un pionnier reconnu dans le domaine de l'apprentissage automatique et de l'intelligence artificielle, souvent cité comme une figure majeure dans la discipline, ce qui correspond au contexte donné.

Explication

Les nouveautés algorithmiques visent principalement à améliorer la performance des techniques telles que la reconnaissance d’images ou la traduction automatique, en permettant un traitement plus efficace et précis des données complexes et volumineuses.

Explication

La croissance exponentielle des données et le développement des algorithmes modernes en science des données ont principalement connu une accélération significative dans les années 2010, notamment avec l'avènement du Big Data et des techniques avancées d'apprentissage automatique.

Explication

Les données numériques sont quantitatives et permettent des opérations mathématiques, comme l'addition ou la moyenne. En revanche, les données catégoriques sont qualitatives, classant les éléments en catégories ou classes, et ne supportent pas directement ces opérations mathématiques.

Explication

George Box est largement reconnu pour ses contributions à la modélisation statistique et à la démarche expérimentale en sciences, notamment par sa célèbre phrase sur la nature des modèles. Ronald Fisher a aussi été une figure majeure en statistiques, mais il est plus associé à la conception expérimentale et aux méthodes statistiques classiques. Claude Shannon est connu pour la théorie de l'information, et Alan Turing pour ses travaux en informatique et cryptanalyse. La question vise spécifiquement celui qui a formulé ou popularisé une approche fondamentale de la modélisation, ce qui correspond à George Box.

Explication

La modélisation en science des données sert à représenter la structure et la variabilité des données, ce qui permet ensuite d’utiliser ces modèles pour faire des prédictions. Elle est donc une étape essentielle qui facilite la capacité à prévoir des résultats futurs.

Explication

L'application d’un algorithme de classification consiste à utiliser des méthodes comme les arbres de décision ou les machines à vecteurs de support pour attribuer une catégorie à chaque image en fonction de ses caractéristiques. La régression est adaptée à la prédiction de valeurs continues, non à la classification. Le clustering non supervisé ne nécessite pas de catégories préalables, donc ce n’est pas une application directe de la classification. L’analyse en composantes principales est une étape de réduction de dimension, souvent utilisée en prétraitement, mais ne constitue pas une application directe de la classification.