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

2. À quoi sert principalement un réseau neuronal ?

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

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

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

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

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

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

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

6. Que mesure le "test de Turing" ?

A) La consommation d'énergie d'un système.
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 vitesse de traitement d'un ordinateur.

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) Fonctionne mieux avec les petits ensembles de données.
D) Plus facile à mettre en œuvre que les algorithmes standard.

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

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

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) Nettoyage des données pour l'analyse.
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 récurrents (RNN).
B) Réseaux neuronaux convolutifs (CNN).
C) Réseaux neuronaux en amont.
D) Réseaux de fonctions de base radiales.

11. Quel est le principe clé des algorithmes génétiques ?

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

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

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

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

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

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

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

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

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

16. 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) Utiliser l'apprentissage profond pour la classification.
D) Trouver l'hyperplan qui sépare le mieux les points de données.

17. 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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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