QCM Intelligence Artificielle Corrigé – Partie 11

avril 14, 2025avril 14, 2025 Thomas Aucun commentaire

Questions d’Entretien sur l’intelligence artificielle avec des réponses pour la préparation des entretiens d’embauche, tests en ligne, examens et certifications. Ces questions et réponses sur l’intelligence artificielle comprennent divers sujets tel que les bases de l’intelligence artificielle, comprendre la théorie de l’Intelligence Artificielle, la conception de modèles, le Q-Learning, le Deep Q-Learning, etc… Et sont tirés d’un vrai entretien écrit et certaines parties sont en direct. Cette méthode d’apprentissage systématique préparera facilement toute personne pour réussir son test sur l’intelligence artificielle.

1. Que veut dire “nettoyage des données” (data cleaning) ?

A Supprimer les virus informatiques

B Organiser les fichiers par taille

C Vider la corbeille de l’ordinateur

D Corriger ou supprimer les données incorrectes, manquantes ou inutiles

Avant d’entraîner une IA, on doit préparer des données propres et cohérentes. Cela inclut:

Enlever les doublons
Traiter les valeurs manquantes
Corriger les erreurs de saisie
Uniformiser les formats

2. À quoi sert une “courbe d’apprentissage” ?

A À suivre l’évolution de la performance du modèle pendant l’entraînement

B À dessiner un schéma de robot

C À planifier les vacances du data scientist

D À mesurer la vitesse d’entraînement d’un modèle

Une courbe d’apprentissage montre comment le modèle s’améliore (ou pas) au fil des itérations. Elle aide à repérer un sur-apprentissage (overfitting) ou un sous-apprentissage (underfitting).

3. Quel est l’objectif de la technique appelée dropout dans un réseau de neurones ?

A Ajouter de nouveaux neurones

B Réduire la dimensionnalité

C Éviter le surapprentissage en désactivant aléatoirement certains neurones pendant l’entraînement

D Accélérer le calcul de la fonction de perte

Le dropout consiste à désactiver aléatoirement un pourcentage de neurones pendant l’entraînement. Cela empêche le réseau de trop dépendre de certaines connexions et favorise la généralisation.

4. Qu’est-ce qu’un « réseau de neurones artificiels » (RNA) ?

A Un modèle de calcul inspiré du système nerveux biologique, composé de nœuds interconnectés (« neurones ») organisés en couches, qui peuvent apprendre des motifs complexes à partir des données.

B Un type d’algorithme d’apprentissage automatique qui ne nécessite pas de données d’entraînement.

C Un système de représentation des connaissances basé sur des règles logiques.

D Un type de robot capable d’imiter le comportement humain.

Les réseaux de neurones artificiels sont au cœur de nombreuses avancées récentes en IA, en particulier dans Deep learning. Leur structure en couches et leurs connexions pondérées leur permettent d’apprendre des représentations hiérarchiques des données.

5. Pourquoi divise-t-on souvent les données en 3 parties : entraînement, validation, test ?

A Pour décorer les rapports

B Pour occuper plus de mémoire

C Pour entraîner, ajuster et évaluer le modèle de manière fiable

D Pour confondre les développeurs

Cette division permet de:

Entraîner le modèle (train set)
Ajuster ses paramètres (validation set)
Tester ses performances finales sur des données jamais vues (test set)

6. En apprentissage supervisé, on connaît ___________

A Les résultats attendus pour chaque donnée d’entraînement

B Les noms des développeurs

C Les erreurs à la fin uniquement

D Le nombre exact de neurones

Dans l’apprentissage supervisé, chaque exemple dans les données est accompagné de la bonne réponse. L’IA apprend donc à imiter ces réponses.

7. À quoi sert le padding dans les CNN ?

A À réinitialiser les poids

B À réduire le surapprentissage

C À normaliser les poids du réseau

D À conserver la taille d’origine d’une image lors de la convolution

Le padding consiste à ajouter des pixels (souvent des zéros) autour de l’image d’entrée pour conserver sa taille après l’application d’un filtre de convolution.

8. Quelle est la différence entre une régression et une classification ?

A La régression est utilisée pour des images, la classification pour des textes

B La régression prédit des valeurs continues, la classification prédit des catégories

C La classification utilise le NLP, la régression non

D Il n’y a pas de différence

En régression, le modèle prédit des valeurs continues (ex: prix d’une maison). En classification, il prédit des catégories (ex: chat ou chien).

9. Qu’est-ce que le transfer learning ?

A Une technique pour transférer des données d’un modèle à un autre

B Une méthode pour traduire un texte automatiquement

C Utiliser un modèle pré-entraîné sur une tâche et l’adapter à une autre tâche

D Partager les données entre plusieurs modèles

Le transfer learning permet de réutiliser un modèle pré-entraîné (comme ResNet, BERT, GPT) sur une tâche spécifique et de le réadapter à une autre tâche, souvent avec peu de données. Cela accélère l’entraînement et améliore les performances.

10. Que représente une “feature” en IA ?

A Une chanson populaire

B Une ligne de code secrète

C Une mise à jour du modèle

D Une caractéristique mesurable dans les données

Une feature, c’est une caractéristique mesurable. Exemple: pour prédire le prix d’une voiture, les features pourraient être: la marque, l’année, le kilométrage, etc.

QCMs qui pourraient vous intéresser :