L'informatique de l'intelligence artificielle

1. L'informatique de l'intelligence artificielle (IA) englobe un domaine vaste et complexe consacré au développement d'algorithmes et de systèmes qui permettent aux machines d'imiter les fonctions cognitives humaines. À la base, l'IA s'appuie sur diverses disciplines, notamment les mathématiques, les statistiques, l'informatique et la psychologie cognitive, pour créer des systèmes capables d'apprendre, de raisonner et de s'adapter. Des concepts fondamentaux tels que l'apprentissage automatique, où les algorithmes sont formés à partir de données pour faire des prédictions ou prendre des décisions, et les réseaux neuronaux, qui s'inspirent de la structure et de la fonction du cerveau humain, sont les pierres angulaires de la recherche moderne sur l'IA. En outre, le traitement du langage naturel permet aux ordinateurs de comprendre et de générer du langage humain, facilitant ainsi les interactions entre les humains et les machines. Le domaine explore également la robotique, où l'IA est intégrée dans des systèmes physiques pour effectuer des tâches de manière autonome, et la vision par ordinateur, qui permet aux machines d'interpréter et de prendre des décisions sur la base d'informations visuelles. En s'appuyant sur des techniques telles que l'apprentissage profond, l'apprentissage par renforcement et l'apprentissage supervisé, les chercheurs continuent de repousser les limites du possible, ce qui permet des avancées dans des domaines allant des véhicules autonomes aux diagnostics de santé. À mesure que les systèmes d'IA deviennent de plus en plus complexes et s'intègrent à divers aspects de la société, les considérations éthiques relatives à l'équité, à la responsabilité et à la transparence retiennent également l'attention, garantissant que la croissance de la technologie de l'IA profite à l'humanité dans son ensemble.

Quel type d'apprentissage implique la formation d'un modèle sur un ensemble de données étiquetées ?

A) Apprentissage non supervisé.
B) Apprentissage par renforcement.
C) Apprentissage supervisé.
D) Apprentissage semi-supervisé.

2. À quoi sert principalement un réseau neuronal ?

A) Sécurité des réseaux.
B) Reconnaissance des formes et classification.
C) Écrire du code.
D) Stockage des données.

3. Que signifie le terme "overfitting" dans le contexte de l'apprentissage automatique ?

A) Un modèle sans paramètres.
B) Un modèle qui se généralise bien.
C) Un modèle trop complexe et peu performant sur de nouvelles données.
D) Un modèle qui apprend plus vite.

4. Quel algorithme est généralement utilisé pour les tâches de classification ?

A) Descente de gradient.
B) Algorithmes génétiques.
C) Regroupement par K-means.
D) Machines à vecteurs de support.

5. Quel est l'objectif de l'apprentissage par renforcement ?

A) Apprendre les comportements par essais et erreurs.
B) Classer les données en catégories.
C) Optimiser les équations linéaires.
D) Pour affecter directement les entrées aux sorties.

6. Que mesure le "test de Turing" ?

A) La vitesse de traitement d'un ordinateur.
B) La capacité d'une machine à présenter un comportement intelligent équivalent à celui d'un être humain.
C) Capacité de stockage d'un ordinateur.
D) La consommation d'énergie d'un système.

7. Quel est le principal avantage de l'apprentissage profond ?

A) Capacité à apprendre automatiquement des caractéristiques à partir de données.
B) Nécessite moins de données que les méthodes traditionnelles.
C) Plus facile à mettre en œuvre que les algorithmes standard.
D) Fonctionne mieux avec les petits ensembles de données.

8. Lequel des algorithmes suivants est un algorithme de regroupement ?

A) Régression linéaire.
B) Forêts aléatoires.
C) Arbres de décision.
D) K-means.

9. Qu'est-ce que le "data mining" dans le contexte de l'IA ?

A) Extraction de modèles et d'informations à partir de grands ensembles de données.
B) Stockage de grandes quantités de données dans des bases de données.
C) Cryptage des données pour la sécurité.
D) Nettoyage des données pour l'analyse.

10. Quel type de réseau neuronal est le plus adapté à la reconnaissance d'images ?

A) Réseaux de fonctions de base radiales.
B) Réseaux neuronaux récurrents (RNN).
C) Réseaux neuronaux convolutifs (CNN).
D) Réseaux neuronaux en amont.

11. Quel est un exemple d'apprentissage non supervisé ?

A) Classification
B) Regroupement
C) Régression
D) Prédiction

12. Lequel des langages suivants est un langage de programmation populaire pour l'IA ?

A) C++.
B) Assemblage.
C) Python.
D) HTML.

13. De quoi s'inspire un réseau neuronal artificiel ?

A) La structure et les fonctions du cerveau humain.
B) L'Internet.
C) Transformations géométriques.
D) Modèles statistiques.

14. Que fait l'apprentissage par transfert ?

A) Utilise les connaissances acquises dans le cadre d'une tâche pour améliorer ses performances dans une tâche connexe.
B) Permet de passer d'un ensemble de données à un autre sans modification des modèles.
C) Transfère des données entre différents utilisateurs.
D) Déplace les applications logicielles entre les plates-formes.

15. Quelle est une bibliothèque populaire pour l'apprentissage automatique en Python ?

A) Scikit-learn.
B) Pygame.
C) Une belle soupe.
D) Flacon.

16. Quel algorithme est couramment utilisé dans l'apprentissage supervisé ?

A) Algorithmes génétiques.
B) Regroupement par K-means.
C) Régression linéaire.
D) Apprentissage par renforcement.

17. Quel algorithme est souvent utilisé pour les tâches de classification ?

A) Algorithmes génétiques
B) Descente en gradient
C) Arbres de décision
D) Simulation de Monte Carlo

18. Quel est le concept essentiel pour comprendre l'apprentissage automatique ?

A) Temps de latence
B) Débit
C) Largeur de bande
D) Surajustement

19. Quel est le principe des machines à vecteurs de support ?

A) Minimiser la distance entre tous les points.
B) Maximiser le volume de l'ensemble de données.
C) Trouver l'hyperplan qui sépare le mieux les points de données.
D) Utiliser l'apprentissage profond pour la classification.

20. Quel est le principal défi de l'IA ?

A) Trop d'intérêt public.
B) Biais dans les données et les algorithmes.
C) Limitations matérielles.
D) Normes de codification uniformes.

21. Quel est le principe clé des algorithmes génétiques ?

A) Itération par échantillonnage aléatoire.
B) La survie des plus aptes grâce à l'évolution.
C) Tri à l'aide de la méthode quicksort.
D) Approximation de la fonction.

22. Qu'entend-on par "Big Data" ?

A) Données trop petites pour être analysées.
B) Données privées collectées par les applications.
C) Données stockées dans une base de données relationnelle.
D) Des ensembles de données volumineux et complexes dont le traitement nécessite des outils avancés.

23. Lequel de ces exemples est une application courante de l'IA ?

A) Traitement du langage naturel.
B) Feuilles de calcul.
C) Traitement de texte.
D) Calculs arithmétiques de base.

24. Quelle est une mesure d'évaluation courante pour les modèles de classification ?

A) Débit
B) Entropie
C) Variance
D) Précision

25. Quel est l'intérêt d'utiliser un ensemble de validation ?

A) Évaluer les performances du modèle pendant la formation.
B) Pour remplacer les jeux d'essai.
C) Rendre les modèles plus heureux.
D) Pour augmenter la taille des données de formation.

26. Lequel d'entre eux est un cadre d'apprentissage profond (deep learning) ?

A) MySQL
B) Git
C) TensorFlow
D) Fenêtres

27. Lequel de ces algorithmes est un algorithme d'apprentissage par renforcement ?

A) Machine à vecteur de support.
B) Régression linéaire.
C) Apprentissage par questions-réponses (Q-learning).
D) Regroupement par K-means.

Créé avec That Quiz — le site de création et de notation de tests de math et d'autres matières.