FacileChoix unique

Question d'entraînement AI-900

Qu'est-ce que le 'clustering' en apprentissage automatique non supervisé ?

Choisissez la meilleure réponse.

Bonne réponse

  • ARegrouper des points de données similaires sans étiquettes prédéfinies sur la base de motifs naturels

Explication

Le clustering est une technique d'apprentissage non supervisé qui regroupe automatiquement des points de données en fonction de similitudes ou de motifs intrinsèques dans les données, sans nécessiter d'étiquettes préexistantes. L'algorithme identifie des structures naturelles, telles que des relations de distance ou de densité, pour former des clusters. Dans Azure Machine Learning, le clustering est couramment implémenté à l'aide d'algorithmes tels que K-Means ou DBSCAN pour des tâches telles que la segmentation de clients ou la détection d'anomalies.

Pourquoi chaque option est juste ou fausse

A

Juste

Regrouper des points de données similaires sans étiquettes prédéfinies sur la base de motifs naturels

Le clustering partitionne les données non étiquetées par similarité, de sorte que l'algorithme découvre des regroupements naturels sans étiquettes prédéfinies. Cela satisfait la contrainte non supervisée de l'énoncé, où aucune classe cible n'existe. Il se distingue de la classification, qui nécessite des données d'entraînement étiquetées pour mapper des entrées à des catégories connues.

B

Fausse

Classifier des points de données dans des catégories prédéfinies à l'aide d'exemples d'entraînement étiquetés

Le clustering regroupe des points non étiquetés par similarité inhérente ; il n'utilise jamais de catégories ou d'étiquettes prédéfinies. L'option décrit plutôt la classification supervisée, qui est exactement ce que vous choisiriez lorsque des données d'entraînement étiquetées et des classes cibles connues existent. Le clustering non supervisé découvre une structure sans aucune étiquette.

C

Fausse

Regrouper des ressources de calcul Azure pour des tâches d'entraînement distribué

Le clustering regroupe des points de données similaires par des motifs inhérents, et non une infrastructure de calcul. Mutualiser le calcul Azure pour l'entraînement distribué relève de l'orchestration des ressources gérée par des outils tels que les clusters de calcul Azure Machine Learning. Ce regroupement serait correct lors de la mise à l'échelle de tâches d'entraînement entre des nœuds, et non lors de la découverte d'une structure dans des données non étiquetées.

D

Fausse

Organiser des exécutions d'entraînement de modèles en groupes logiques pour le suivi des expériences

Le clustering est un algorithme non supervisé qui partitionne des données non étiquetées par similarité ; ce n'est pas une fonctionnalité d'organisation de métadonnées. Le regroupement des exécutions pour le suivi des expériences est ce que fournissent les expériences et les travaux Azure Machine Learning. Ce regroupement serait correct lors de la comparaison d'exécutions d'entraînement, et non lors de la découverte de regroupements naturels au sein des données.

Pour aller plus loin

Le clustering est une technique non supervisée qui partitionne les données en groupes de sorte que les points d'un groupe soient plus similaires les uns aux autres qu'aux points des autres groupes, en utilisant une mesure de distance ou de densité telle que la distance euclidienne ou la similarité cosinus. Des algorithmes comme k-means, DBSCAN et le clustering hiérarchique découvrent ces structures sans étiquettes ; le nombre de clusters peut être un hyperparamètre ou être déduit des données. L'évaluation utilise des métriques telles que le score de silhouette ou l'indice de Davies-Bouldin plutôt que la précision. Cela importe dans des scénarios tels que la segmentation de clients, la détection d'anomalies ou le regroupement de lectures de capteurs, où aucune étiquette de vérité terrain n'existe et où l'objectif est de faire surface à des regroupements naturels pour l'interprétation humaine plutôt que de prédire une classe connue.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.