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

2. À quoi sert principalement un réseau neuronal ?

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

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

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

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

A) Regroupement par K-means.
B) Algorithmes génétiques.
C) Descente de gradient.
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) Optimiser les équations linéaires.
C) Classer les données en catégories.
D) Pour affecter directement les entrées aux sorties.

6. Que mesure le "test de Turing" ?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

14. Que fait l'apprentissage par transfert ?

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

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

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

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

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

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

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

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

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

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

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

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

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

21. Quel est le principe clé des algorithmes génétiques ?

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

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

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

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

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

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

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

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

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

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

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

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

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

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