QCM : Introduction à l'Intelligence Artificielle et Machine Learning — 10 questions

Explication

L'intelligence artificielle est un ensemble de techniques visant à simuler l'intelligence humaine, tandis que le machine learning est une branche spécifique de l'IA qui permet aux programmes d'apprendre à partir de données sans instructions explicites.

Explication

L'apprentissage supervisé requiert des données étiquetées pour entraîner des modèles, alors que non supervisé travaille avec des données non étiquetées, ce qui permet de découvrir des structures ou groupes dans les données.

Explication

L'apprentissage non supervisé concerne l'analyse de données non étiquetées pour effectuer des tâches comme le clustering ou la réduction de dimension, contrairement à l'apprentissage supervisé qui utilise des données étiquetées.

Explication

Les algorithmes clés en ML incluent la régression linéaire, la logistique, K-NN, arbres de décision, et réseaux neuronaux, qui sont essentiels pour la majorité des applications.

Explication

L'Analyse en Composantes Principales (PCA) est une technique non supervisée utilisée pour réduire la dimensionnalité des données tout en conservant l'essentiel de l'information, facilitant ainsi la visualisation.

Explication

Un modèle en ML est une représentation mathématique ou statistique qui sert à faire des prédictions ou classifications basées sur les données d’entrée.

Explication

Les secteurs médical, financier, industriel, sécurité, et vision par ordinateur sont mentionnés comme des domaines où l’IA a une application significative.

Explication

La fiche ne mentionne pas Geoffrey Hinton ou une date précise, tandis qu’elle évoque en général l'importance de divers algorithmes et techniques sans cités spécifiques à ces auteurs dans le contenu fourni.

Explication

Le flux d'information mentionne les étapes Données, Prétraitement, Apprentissage, Modèle, Prédictions, mais pas le "lâcher de robot", qui n’est pas un terme standard dans ce processus.

Explication

Le diagnostic médical est un exemple d’application supervisée où des données étiquetées (par exemple, presence ou absence d’une maladie) sont utilisées pour entraîner un modèle.