QCM Intelligence Artificielle Corrigé – Partie 13

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. Quel est le rôle d’un “test set” dans un projet IA ?

A Donner des notes aux développeurs

B Vérifier les bugs dans le programme

C Évaluer la performance finale du modèle sur des données jamais vues

D Ajouter des effets visuels

Après l’entraînement, on utilise un jeu de test pour évaluer si le modèle est capable de bien se débrouiller avec des données qu’il n’a jamais vues. C’est l’épreuve finale du modèle.

2. Quelle méthode est souvent utilisée en reconnaissance d’image ?

A Les transformeurs

B Les arbres de décision

C Les réseaux de neurones convolutionnels (CNN)

D Le clustering k-means

Les CNN (Convolutional Neural Networks) sont spécialement conçus pour analyser des images : ils détectent les bords, formes, textures, etc. et sont super efficaces en reconnaissance faciale, objets, etc.

3. Pourquoi utilise-t-on le batch training ?

A Pour diviser les modèles en couches

B Pour entraîner plusieurs modèles en même temps

C Pour améliorer l’efficacité de l’entraînement en traitant des mini-lots de données

D Pour supprimer des données du dataset

Le batch training consiste à entraîner un modèle en traitant les données par petits lots (mini-batches) au lieu de tout passer d’un coup. Cela améliore la vitesse, la stabilité et la mémoire lors de l’entraînement.

4. Quel type de problème est le plus adapté au k-plus proches voisins (k-NN) ?

A Prévision de séries temporelles

B Clustering non supervisé

C Traduction automatique

D Classification ou régression basée sur la similarité avec des exemples existants

Le k-NN est un algorithme simple qui classe ou prédit une valeur en se basant sur les k exemples les plus proches (selon une distance) dans les données. Il est non paramétrique et très utilisé pour la classification.

5. À quoi sert la normalisation des données ?

A À supprimer les doublons

B À améliorer la lisibilité des données textuelles

C À mettre les données sur une échelle comparable pour faciliter l’apprentissage du modèle

D À réduire le nombre de features

La normalisation ou standardisation est cruciale pour que le modèle traite toutes les caractéristiques à la même échelle, notamment pour les algorithmes sensibles aux distances comme SVM, k-NN ou régression logistique.

6. Que désigne le terme “intelligence artificielle explicable” (XAI) ?

A Une IA qui lit à voix haute

B Une IA avec une documentation PDF

C Une IA dont on peut comprendre le fonctionnement et les décisions

D Une IA qui donne ses résultats en chanson

L’IA explicable (XAI) désigne des techniques pour rendre les décisions de l’IA compréhensibles pour les humains. Très important dans les domaines sensibles comme la médecine ou la justice.

7. Que fait l’algorithme PCA (Principal Component Analysis) ?

A Il entraîne un réseau de neurones

B Il détecte les anomalies dans les séries temporelles

C Il réduit la dimensionnalité des données en conservant le plus de variance possible

D Il transforme un problème de classification en problème de régression

Le PCA est une technique de réduction de dimensionnalité qui projette les données dans un nouvel espace (composantes principales) tout en conservant l’essentiel de la variance. Très utile pour la visualisation ou l’accélération de modèles.

8. Quel type de modèle est BERT ?

A Un classificateur d’images basé sur CNN

B Un modèle de traitement du langage basé sur l’attention bidirectionnelle

C Un modèle de séries temporelles

D Un algorithme de clustering

BERT (Bidirectional Encoder Representations from Transformers) est un modèle de NLP basé sur les Transformers, qui lit les phrases dans les deux sens pour mieux comprendre le contexte des mots. Très utilisé pour les tâches de question/réponse, classification, etc.

9. Qu’est-ce que “TensorFlow” ?

A Un langage de programmation

B Une base de données IA

C Une bibliothèque pour créer et entraîner des modèles d’intelligence artificielle

D Un moteur de recherche IA

TensorFlow est une bibliothèque open source développée par Google, très utilisée pour le machine learning et le deep learning, notamment avec les réseaux de neurones.

10. Quel est l’intérêt de normaliser les données avant l’entraînement ?

A Pour qu’elles soient toutes traduites en anglais

B Pour que les algorithmes ne privilégient pas certaines features à cause de leur échelle

C Pour qu’elles soient compressées

D Pour les rendre invisibles à l’humain

Normaliser les données, c’est les remettre à une même échelle (ex: entre 0 et 1). Sinon, une variable comme “salaire” (valeurs hautes) pourrait dominer une autre comme “âge”.

QCMs qui pourraient vous intéresser :

1. Quel est le rôle d’un “test set” dans un projet IA ?

2. Quelle méthode est souvent utilisée en reconnaissance d’image ?

3. Pourquoi utilise-t-on le batch training ?

4. Quel type de problème est le plus adapté au k-plus proches voisins (k-NN) ?

5. À quoi sert la normalisation des données ?

6. Que désigne le terme “intelligence artificielle explicable” (XAI) ?

7. Que fait l’algorithme PCA (Principal Component Analysis) ?

8. Quel type de modèle est BERT ?

9. Qu’est-ce que “TensorFlow” ?

10. Quel est l’intérêt de normaliser les données avant l’entraînement ?

Vous pourrez aussi aimer

QCM Intelligence Artificielle Corrigé – Partie 14

QCM Intelligence Artificielle Corrigé – Partie 6

QCM Intelligence Artificielle Corrigé – Partie 4

Laisser un commentaire Annuler la réponse