1842
Explication
Le texte indique que la notion de machine intelligente a été introduite dès 1842. Les autres années sont des bornes plausibles dans l'histoire de l'IA mais ne sont pas mentionnées dans le passage précis.
Il s'agit d'une technique permettant aux machines d'apprendre à partir d'exemples ou d'expériences sans programmation explicite, en ajustant leurs paramètres internes pour réaliser des tâches précises.
Explication
Selon F. BOUSEFSAF en 2023, le machine learning est défini comme une branche de l’IA qui permet aux machines d’apprendre à partir d’exemples ou d’expériences, sans programmation explicite, en ajustant leurs paramètres internes.
L'apprentissage qui utilise des données annotées pour apprendre une fonction de prédiction.
Explication
L'apprentissage supervisé est défini dans le texte comme utilisant des données annotées pour apprendre une fonction de prédiction, ce qui correspond à l'option 3. Les autres options décrivent respectivement l'apprentissage non supervisé, l'apprentissage automatique général, et l'apprentissage par renforcement, qui ne sont pas la définition demandée.
F. Bousefsaf en 2023
Explication
F. Bousefsaf (2023) est l'auteur mentionné dans le texte qui définit le machine learning comme une branche de l'IA permettant aux machines d'apprendre à partir d'exemples ou d'expériences.
Utiliser le clustering pour segmenter des clients en groupes distincts
Explication
L'apprentissage non supervisé, notamment le clustering, permet de regrouper des données similaires sans utiliser d'étiquettes, ce qui est utile pour segmenter des clients ou découvrir des structures naturelles dans un ensemble de données.
Minimiser la variance intra-cluster
Explication
k-means est conçu pour minimiser la variance à l’intérieur de chaque cluster en regroupant les points proches de leur centre de gravité, ce qui permet d’obtenir des groupes homogènes.
L’arbre de classification est utilisé pour classer des données en catégories, alors que l’arbre de régression prédit une valeur numérique continue.
Explication
Les arbres de classification sont conçus pour assigner des données à des catégories, en effectuant des tests conditionnels sur les attributs, tandis que les arbres de régression prédisent une valeur continue. La différence fondamentale réside dans leur objectif : classification versus prédiction de valeurs continues.
Le MSE donne une erreur quadratique moyenne, et le RMSE en est la racine carrée pour plus d'interprétabilité.
Explication
La caractéristique principale est que le MSE est une erreur quadratique moyenne, et que le RMSE est sa racine carrée, ce qui facilite souvent l'interprétation des erreurs de prédiction.
Il ajuste ses actions pour maximiser la récompense obtenue
Explication
L'apprentissage par renforcement consiste à optimiser une récompense à partir d’expériences successives, ce qui influence le comportement du système en lui permettant d'ajuster ses actions pour maximiser cette récompense.
Mémorisez les réponses avec 18 flashcards sur Introduction aux Techniques d'Apprentissage Automatique.
Intelligence Artificielle — définition ?
Systèmes capables de résoudre des problèmes complexes
Machine Learning — rôle ?
Permet aux machines d'apprendre sans programmation explicite
Données — formes ?
Numériques, texte, images, vidéos, réseaux, etc.
Consultez la fiche de révision complète sur Introduction aux Techniques d'Apprentissage Automatique.
Voir la fiche →Bases de données
Bases de données
Programmation
Programmation
Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.
Générateur de QCM