Bonne réponse
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.
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.