Qu'est-ce que la classification en machine learning ?
Associer une entrée à une catégorie.
Qu'impose la régression en machine learning ?
Associer une entrée à une valeur numérique.
Quelles tâches autres que classification et régression sont présentées ?
Retranscription, traduction, détection d’anomalie, synthèse et débruitage.
Que fait la retranscription en machine learning ?
Transformer une entrée en forme textuelle.
Quelle différence principale existe entre robotique traditionnelle et véhicule autonome ?
La robotique traditionnelle est peu adaptative, le véhicule autonome collabore avec l'environnement.
Quels bénéfices un cobot apporte-t-il en milieu professionnel ?
Il réduit les risques musculosquelettiques et améliore l'ergonomie.
Comment l'intelligence est-elle utilisée en robotique ?
Elle sert à percevoir, prédire, planifier, interpréter et générer des mouvements.
Qu'est-ce que le codage en représentation des données ?
Le codage est un vecteur numérique représentant chaque exemple.
Comment un poisson peut-il être représenté dans l'exemple donné ?
Par sa taille en dimension 1 ou par sa taille et sa teinte en dimension 2.
Quelles qualités doit posséder un bon codage ?
Un bon codage a un fort pouvoir discriminant, faible variation intra-classe, stabilité au bruit et faible dimension.
Quelle est la complexité algorithmique possible des algorithmes de classification ?
Elle peut être en , en ou exponentielle.
Combien de données sont nécessaires si chaque dimension est divisée en deux avec deux exemples ?
Le nombre de données nécessaires vaut .
Combien de données sont nécessaires pour n=20 dimensions divisées en deux ?
1 048 576 données sont nécessaires.
Quel est le rapport entre un disque de rayon 0,5 et un carré de rayon 1 en dimension 2 ?
Le rapport vaut 0,78.
Quel est le rapport entre une boule et un cube en dimension 3 ?
Le rapport vaut 0,17.
Quelle est la formule de la matrice de covariance pour N vecteurs ?
Que représente dans la formule de la matrice de covariance ?
Le vecteur moyen des données.
Quelle est la dimension de la matrice de covariance ?
Elle est de dimension .
Quelle propriété symétrique possède la matrice de covariance ?
Elle est symétrique.
Que représentent les valeurs de la matrice de covariance ?
Elles représentent la forme du nuage de points.
Qu'est-ce que l'analyse en composantes principales (ACP) réalise sur les données ?
Elle projette des données de dimension n vers une dimension d inférieure en conservant l'information.
Que fait-on aux données avant de réaliser une ACP ?
On centre chaque dimension puis on divise par son écart-type.
Comment calcule-t-on la variance projetée sur un axe unitaire ?
Par .
Quel est le premier axe principal dans une ACP ?
Le vecteur propre associé à la plus grande valeur propre de la matrice de covariance.
Comment s'ordonnent les axes principaux suivants ?
Ils correspondent aux vecteurs propres des valeurs propres décroissantes.
Quelle formule donne l'inertie portée par les d premiers axes ?
.
Quels critères permettent de choisir le nombre d'axes à conserver en ACP ?
Pourcentage d'inertie fixé, valeur propre > inertie moyenne, coude de Cattel, ou taux de reconnaissance.
Combien de dimensions conserve-t-on pour 270 visages 38×38 pixels pour un taux de reconnaissance proche du maximum ?
Une représentation par 40 dimensions.
Qu'impose l'analyse discriminante linéaire pour distinguer les classes ?
Maximiser le rapport entre variance inter-classe et variance intra-classe.
Quelle est la formule de la covariance intra-classe en analyse discriminante ?
Comment s'exprime la covariance inter-classe en analyse discriminante ?
Quels vecteurs définissent les axes LDA ?
Les vecteurs propres de .
Comment sont classés les vecteurs propres pour définir les axes LDA ?
Par valeurs propres décroissantes.
Quelle différence principale existe entre réduction par projection et sélection de caractéristiques ?
La réduction crée de nouvelles dimensions, la sélection conserve des dimensions initiales.
Que font les méthodes filter en sélection de caractéristiques ?
Elles sélectionnent des caractéristiques avant la classification selon un critère.
Quelle est la formule de la corrélation entre la caractéristique k et l’étiquette ?
Comment les caractéristiques sont-elles sélectionnées selon leur corrélation ?
Les caractéristiques avec un élevé sont sélectionnées.
Que font les méthodes wrapper en sélection de caractéristiques ?
Elles évaluent un sous-ensemble selon sa performance avec un algorithme d’apprentissage.
Comment fonctionne la sélection progressive SFS ?
Elle ajoute à chaque étape la caractéristique qui améliore le plus les performances.
Quelle limite ont les méthodes filter par rapport aux méthodes wrapper ?
Les filter ignorent interactions et performance du classifieur, contrairement aux wrapper.
Quel avantage ont les méthodes wrapper malgré leur coût ?
Elles peuvent choisir de petits sous-ensembles performants.
Teste tes connaissances avec un QCM de 23 questions sur Introduction au machine learning.
1. Pour identifier une personne à partir de son image, quelle tâche de machine learning consiste à associer l’entrée à une catégorie ?
2. À partir de paramètres météorologiques, quelle tâche permet d’estimer la température dans 24 heures ?
Révisez le cours complet dans la fiche de révision de Introduction au machine learning.
Voir la fiche →Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards