Intelligence artificielle — définition ?
Systèmes capables d'apprendre, d'interpréter et d'agir.
Machine Learning — rôle ?
Apprendre des données pour faire des prédictions.
LLM — capacité ?
Traiter texte, image, son de manière multimodale.
IA industrialisée — étape ?
Déploiement stable et en production.
IA faible — caractéristique ?
Spécialisée dans une tâche précise.
IA forte — objectif ?
Polyvalente, à niveau humain.
Super-intelligence — impact ?
Dépassement imprévisible des capacités humaines.
Hyper-personnalisation — exemple ?
Messages et offres adaptés à chaque utilisateur.
Lead Scoring — fonction ?
Prioriser les prospects selon leur potentiel.
Maintenance prédictive — but ?
Anticiper et planifier les pannes.
Chatbots intelligents — rôle ?
Automatiser le dialogue avec les clients.
Apprentissage supervisé — données ?
Données étiquetées avec sortie attendue.
Apprentissage non supervisé — but ?
Découvrir structures ou groupes dans données brutes.
Apprentissage par renforcement — principe ?
Optimiser par essais et récompenses.
Workflow ML — étapes ?
Collecte, nettoyage, entraînement, déploiement.
Garbage In, Garbage Out — signification ?
Qualité des données conditionne la performance.
Neurone artificiel — fonction ?
Transforme entrées en sortie via somme et activation.
Rétropropagation — mécanisme ?
Ajuste les poids en propagant l’erreur en arrière.
Testez vos connaissances avec un QCM de 9 questions sur Introduction à l'Intelligence Artificielle et Machine Learning.
1. Quel est le rôle principal d’une normalisation 0-1 dans un pipeline de prétraitement ?
2. Dans un neurone artificiel, quelle opération intervient juste avant la fonction d’activation ?
Révisez le cours complet dans la fiche de révision de Introduction à l'Intelligence Artificielle et Machine Learning.
Voir la fiche →Bases de données
Bases de données
Programmation
Programmation
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards