MoyenneChoix unique

Question d'entraînement AI-900

Quel type d'apprentissage automatique utilise des données d'entraînement étiquetées où la sortie correcte est fournie pour chaque entrée ?

Choisissez la meilleure réponse.

Bonne réponse

  • CApprentissage supervisé

Explication

L'apprentissage supervisé est la bonne réponse car il utilise explicitement des données d'entraînement étiquetées où chaque exemple d'entrée est associé à l'étiquette de sortie correcte. L'algorithme apprend à associer les entrées aux sorties en minimisant l'erreur entre ses prédictions et les étiquettes fournies, permettant ainsi des tâches telles que la classification et la régression.

Pourquoi chaque option est juste ou fausse

A

Fausse

Apprentissage non supervisé

L'apprentissage non supervisé trouve une structure dans des données ne comportant pas d'étiquettes de sortie, de sorte qu'il ne peut pas associer des entrées à des réponses connues. Il est tentant car le clustering et la détection d'anomalies conviennent parfaitement au travail exploratoire où aucune vérité terrain n'existe, mais l'énoncé exige explicitement une sortie correcte fournie par entrée.

B

Fausse

Apprentissage par renforcement

L'apprentissage par renforcement apprend à partir de signaux de récompense produits par les actions d'un agent dans un environnement, sans paires entrée-sortie étiquetées fournies. C'est l'approche correcte pour les problèmes de décision séquentielle tels que les jeux ou le contrôle robotique, où les actions optimales sont découvertes par essai et erreur.

C

Juste

Apprentissage supervisé

L'apprentissage supervisé entraîne des modèles sur des ensembles de données étiquetés, où chaque entrée est associée à sa sortie correcte connue, permettant à l'algorithme d'apprendre la mise en correspondance entre elles. Cela répond directement à l'exigence de l'énoncé concernant des données d'entraînement étiquetées avec des sorties fournies, le distinguant de l'apprentissage non supervisé, qui utilise des données non étiquetées.

D

Fausse

Apprentissage par transfert

L'apprentissage par transfert réutilise les poids d'un modèle pré-entraîné et les affine sur un nouvel ensemble de données, souvent petit ; il ne définit pas en soi le paradigme d'entraînement à entrées étiquetées décrit par l'énoncé. Il est tentant car il implique des données d'entraînement, et ce serait le bon choix lorsque les exemples étiquetés sont rares et qu'un modèle pré-entraîné connexe existe.

Pour aller plus loin

L'apprentissage supervisé entraîne un modèle sur un ensemble de données où chaque exemple d'entrée est associé à une étiquette connue, et l'algorithme ajuste ses paramètres pour minimiser la différence entre les sorties prédites et réelles. Les algorithmes courants incluent la régression linéaire pour les cibles continues et la régression logistique ou les arbres de décision pour la classification, la fonction de perte guidant l'optimisation basée sur le gradient. Un comportement subtil est que les performances dépendent fortement de la qualité et de la couverture des étiquettes ; des étiquettes bruitées ou biaisées amènent le modèle à apprendre des correspondances incorrectes, et le déséquilibre des classes peut rendre la précision trompeuse. En pratique, un scénario tel que la prédiction du départ d'un client utilise des enregistrements historiques où les résultats de désabonnement sont déjà connus, permettant au modèle d'apprendre des modèles puis de noter de nouveaux clients dont les résultats sont inconnus.

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.