MoyenneChoix unique

Question d'entraînement AI-900

Une équipe de fabrication souhaite prédire les défauts de produits en se basant sur les lectures de capteurs de la ligne de production. Ils disposent de 10 000 échantillons historiques, chacun étiqueté comme 'défectueux' ou 'non défectueux'. Quel type d'apprentissage automatique doivent-ils utiliser dans Azure Machine Learning ?

Choisissez la meilleure réponse.

Bonne réponse

  • AApprentissage supervisé

Explication

Il s'agit d'un problème d'apprentissage supervisé car l'ensemble de données contient des échantillons historiques étiquetés (défectueux ou non défectueux), et l'objectif est de prédire un résultat catégoriel basé sur les lectures des capteurs. Dans Azure Machine Learning, des algorithmes d'apprentissage supervisé tels que la régression logistique à deux classes ou les arbres de décision boostés sont utilisés pour entraîner un modèle qui associe des caractéristiques d'entrée à des étiquettes connues.

Pourquoi chaque option est juste ou fausse

A

Juste

Apprentissage supervisé

Les 10 000 échantillons comportent des étiquettes connues 'défectueux' ou 'non défectueux', fournissant au modèle une vérité terrain étiquetée pour apprendre la mise en correspondance des lectures de capteurs vers le résultat. La classification supervisée dans Azure Machine Learning s'adapte précisément parce que des étiquettes existent, contrairement aux approches non supervisées ou par renforcement.

B

Fausse

Apprentissage non supervisé

L'apprentissage non supervisé trouve une structure dans des données non étiquetées, telles que le clustering ou la détection d'anomalies, il ne peut donc pas prédire un résultat connu défectueux ou non défectueux. Il serait correct si les étiquettes étaient absentes et que l'équipe souhaitait découvrir des regroupements naturels dans les lectures des capteurs.

C

Fausse

Apprentissage par renforcement

L'apprentissage par renforcement optimise des actions séquentielles par le biais de signaux de récompense, il ne peut donc pas mapper des lectures de capteurs à une étiquette défectueux ou non défectueux. Il est correct pour des scénarios tels que le contrôle robotique ou les jeux, où un agent apprend des politiques en interagissant avec un environnement et en recevant des retours.

D

Fausse

Apprentissage semi-supervisé

L'apprentissage semi-supervisé suppose un petit ensemble étiqueté plus des données non étiquetées abondantes ; ici, les 10 000 échantillons portent déjà des étiquettes, la technique n'ajoute donc rien. Il convient aux cas où l'étiquetage est coûteux et la plupart des données ne sont pas étiquetées, et non à un problème de classification binaire entièrement étiqueté.

Pour aller plus loin

L'apprentissage supervisé entraîne un modèle sur des exemples étiquetés, où chaque ligne associe des caractéristiques d'entrée à une cible connue. Dans Azure Machine Learning, cela signifie généralement créer un ensemble de données tabulaire avec une colonne d'étiquettes et utiliser une tâche de classification AutoML ou un pipeline de concepteur avec un algorithme de classification tel que le gradient boosting ou la régression logistique. Avec 10 000 échantillons de capteurs étiquetés et une cible binaire, le modèle apprend une frontière de décision qui mappe les lectures des capteurs à défectueux ou non défectueux. Une subtilité est le déséquilibre des classes : si les défauts sont rares, la précision est trompeuse, de sorte que des métriques comme la précision, le rappel (recall) et l'AUC comptent. Ce scénario est important car le modèle doit se généraliser à de nouvelles lectures de capteurs, ce qui nécessite un ensemble de test mis de côté (held-out) et une validation croisée plutôt que de mémoriser les lignes d'entraînement.

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.