Self-assessment quiz

# What is Artificial Intelligence (AI)? - [x] A family of techniques aimed at extracting knowledge from data to solve automation tasks > ✅ L’IA implique des méthodes d’analyse de données pour créer des systèmes capables d’automatiser des tâches complexes. - [ ] A specific type of algorithm designed for image processing > ❌ L’IA est un domaine large qui englobe plus que les algorithmes de traitement d’images. - [x] A concept that encompasses machine learning (ML) and deep learning (DL) > ✅ Le ML et le DL sont des sous-domaines de l’IA, centrés sur l’apprentissage à partir des données et la résolution de tâches spécifiques. - [ ] A single mathematical model used for decision-making > ❌ L’IA inclut de nombreux modèles et techniques, pas un seul. - [ ] A deterministic system that does not rely on probabilities > ❌ L’IA comprend souvent des systèmes probabilistes, notamment en apprentissage automatique et modèles génératifs. # What distinguishes Machine Learning (ML) from traditional algorithms? - [x] ML learns from data instead of being explicitly programmed > ✅ Les systèmes de machine learning apprennent des motifs à partir des données plutôt que de se baser uniquement sur des règles pré-définies. - [ ] ML always guarantees the correct solution to a problem > ❌ Le machine learning ne garantit pas toujours la justesse, cela dépend des données et du modèle utilisé. - [x] ML involves a training phase to estimate parameters > ✅ Les modèles de machine learning sont entraînés à partir de jeux de données pour optimiser leurs paramètres et améliorer les prédictions. - [ ] ML requires deterministic algorithms > ❌ Le ML implique souvent des modèles et algorithmes probabilistes. - [ ] ML only works with structured data > ❌ Le ML peut traiter des données structurées et non structurées, comme des images, de l’audio ou du texte. # What is supervised learning? - [x] A type of ML where the model learns from labeled data > ✅ L’apprentissage supervisé consiste à entraîner des modèles sur des jeux de données où les entrées et sorties correspondantes sont connues. - [ ] A method to group similar data points without labels > ❌ Cela décrit l’apprentissage non supervisé, pas supervisé. - [x] A task where the model predicts outputs based on examples > ✅ Les modèles supervisés sont entraînés pour prédire des sorties à partir d’exemples d’entrées et sorties étiquetées. - [ ] A process where the model receives rewards for actions > ❌ Cela décrit l’apprentissage par renforcement, pas supervisé. - [ ] A method exclusive to decision trees > ❌ L’apprentissage supervisé n’est pas limité aux arbres de décision ; il inclut divers modèles comme la régression linéaire et les réseaux de neurones. # What is a feature in machine learning? - [x] An individual measurable property of the data > ✅ Une feature est une caractéristique ou variable utilisée comme entrée pour les modèles de machine learning. - [ ] A type of deep learning algorithm > ❌ Les features ne sont pas des algorithmes, ce sont des attributs de données. - [x] A representation of data used for training a model > ✅ Les features représentent les données d’entrée utilisées pour entraîner un modèle. - [ ] A matrix of output predictions > ❌ Les features sont des propriétés d’entrée, pas des sorties. - [ ] A hyperparameter in neural networks > ❌ Les hyperparamètres contrôlent le processus d’entraînement, tandis que les features représentent les données d’entrée. # Why is dimensionality reduction important in machine learning? - [x] It simplifies the data by reducing the number of features > ✅ La réduction de dimension élimine les features redondantes ou non pertinentes, facilitant le traitement des données. - [ ] It guarantees better model performance > ❌ La réduction de dimension améliore l’efficacité mais ne garantit pas toujours une meilleure performance. - [x] It helps in visualizing high-dimensional data > ✅ Réduire la dimension permet une meilleure visualisation des données en 2D ou 3D. - [ ] It eliminates the need for feature selection > ❌ La réduction de dimension complète la sélection de features mais ne la remplace pas entièrement. - [ ] It automatically trains the model > ❌ La réduction de dimension est une étape de prétraitement, pas un entraînement de modèle.

# What are examples of object detection? - [x] Detecting and localizing objects in an image with bounding boxes > ✅ La détection d’objets identifie et localise des instances d’objets dans une image, souvent avec des boîtes englobantes et des probabilités. - [ ] Translating text in an image > ❌ La traduction de texte relève du traitement du langage naturel, pas de la détection d’objets. - [x] Using YOLO or DETR models to identify objects in an image > ✅ YOLO et DETR sont des modèles populaires pour la détection d’objets. - [ ] Segmenting a tumor in medical imaging > ❌ Ceci est un exemple de segmentation sémantique, pas de détection d’objets. - [ ] Predicting the age of an individual from an image > ❌ C’est une tâche de classification, pas de détection d’objets. # What are common applications of large language models (LLMs)? - [x] Translation, summarization, and question answering > ✅ Les LLM excellent dans la compréhension du langage naturel, comme la traduction, le résumé de texte et la réponse à des questions. - [ ] Analyzing audio for sound events > ❌ L’analyse audio relève du traitement du signal, pas des LLM. - [x] Conversational AI and role-playing > ✅ Les LLM sont largement utilisés dans les chatbots et systèmes de conversation interactive. - [ ] Classifying images based on their content > ❌ La classification d’images est une tâche de vision par ordinateur, pas de NLP. - [x] Software coding assistance (e.g., GitHub Copilot) > ✅ Les LLM comme GitHub Copilot assistent la programmation en générant des extraits de code pertinents. # Which application involves time series forecasting? - [x] Predicting future energy demands > ✅ La prévision de séries temporelles anticipe des valeurs futures, comme la demande énergétique, à partir de données historiques. - [ ] Segmenting brain signals in EEG recordings > ❌ La segmentation divise les données en parties distinctes, ce n’est pas une prévision. - [x] Weather prediction > ✅ L’IA est couramment utilisée pour prévoir la météo à partir de séries temporelles. - [ ] Recognizing bird species from their sounds > ❌ La reconnaissance d’espèces d’oiseaux relève de la classification audio, pas de la prévision de séries temporelles. - [ ] Generating music from an input melody > ❌ La génération musicale ne repose pas sur des techniques de prévision de séries temporelles. # Which tasks are addressed by audio-based AI? - [x] Sound event detection > ✅ La détection d’événements sonores identifie les débuts et fins de sons spécifiques dans des enregistrements audio. - [x] Marine mammal identification > ✅ L’IA peut identifier des espèces de mammifères marins à partir d’enregistrements acoustiques sous-marins. - [ ] Translating spoken words between languages > ❌ La traduction relève du NLP, pas de l’analyse audio. - [x] Musical source separation > ✅ L’IA peut séparer les pistes instrumentales et vocales dans une chanson. - [ ] Classifying tumors in medical imaging > ❌ Cette tâche fait partie de la vision par ordinateur, pas du traitement audio.

# What are the main differences between supervised and unsupervised learning? - [x] Supervised learning uses labeled data, while unsupervised learning uses unlabeled data > ✅ L’apprentissage supervisé nécessite des données étiquetées pour l’entraînement, tandis que l’apprentissage non supervisé identifie des motifs sans étiquettes. - [ ] Supervised learning is faster than unsupervised learning > ❌ La vitesse dépend de l’algorithme et des données, pas forcément du type d’apprentissage. - [x] Unsupervised learning groups data into clusters > ✅ L’apprentissage non supervisé regroupe souvent les données en clusters significatifs. - [ ] Supervised learning does not require a loss function > ❌ L’apprentissage supervisé optimise une fonction de perte pour minimiser les erreurs de prédiction. - [ ] Unsupervised learning uses a training set for prediction > ❌ L’apprentissage non supervisé identifie des structures sans faire de prédictions. # What is the purpose of the k-nearest neighbors (k-NN) algorithm? - [x] To predict labels based on the closest training samples > ✅ k-NN prédit l’étiquette d’un point en examinant ses k plus proches voisins dans les données d’entraînement. - [ ] To partition data into clusters > ❌ Le partitionnement en clusters est une tâche pour des algorithmes comme k-means, pas k-NN. - [x] To classify new data points using majority voting among neighbors > ✅ k-NN utilise la classe majoritaire parmi les voisins proches pour classer un point. - [ ] To train a model by optimizing parameters > ❌ k-NN ne nécessite pas d’entraînement ; il stocke et compare avec les données d’entraînement. - [ ] To estimate centroids in feature space > ❌ L’estimation de centroïdes est une caractéristique de k-means, pas k-NN. # Which distance metrics are commonly used in k-NN and k-means? - [x] Euclidean distance > ✅ La distance euclidienne est la métrique la plus utilisée pour k-NN et k-means. - [x] Manhattan distance > ✅ La distance de Manhattan est une autre métrique valide, notamment pour des données en grille. - [ ] Cosine similarity > ❌ La similarité cosinus mesure des angles, pas des distances, et est moins courante en k-NN et k-means. - [ ] Jaccard similarity > ❌ La similarité de Jaccard est utilisée pour des comparaisons d’ensembles, pas pour k-NN ou k-means. - [ ] Hamming distance > ❌ La distance de Hamming est utilisée pour des données catégorielles, pas typiquement pour k-NN ou k-means. # What is the complexity of predicting a query in k-NN? - [x] O(Nd), where N is the number of training samples and d is the feature dimension > ✅ La prédiction nécessite de calculer les distances entre la requête et tous les points d’entraînement, donc O(Nd). - [ ] O(log N) > ❌ La complexité logarithmique ne s’applique pas à k-NN, qui doit parcourir tous les points. - [x] Computationally expensive for large datasets > ✅ La prédiction est coûteuse en calcul pour de grands jeux de données, car elle compare avec tous les points. - [ ] Constant time for all datasets > ❌ Le temps de prédiction augmente avec la taille du jeu de données et la dimension des features. - [ ] Independent of the feature dimension > ❌ La dimension des features impacte directement le coût de calcul des distances.

# What is the primary focus of deep learning? - [x] Learning directly from raw data with minimal preprocessing > ✅ Les méthodes de deep learning apprennent les features directement à partir des données brutes, réduisant le besoin d’extraction manuelle. - [ ] Using only pre-extracted features for training models > ❌ Le deep learning réalise un apprentissage de bout en bout, y compris l’extraction des features. - [x] Training models with automatic differentiation and backpropagation > ✅ Le deep learning s’appuie sur la différentiation automatique et la rétropropagation pour optimiser les paramètres des modèles. - [ ] Working exclusively with labeled data > ❌ Le deep learning peut travailler avec des données étiquetées et non étiquetées, notamment en apprentissage auto-supervisé. - [ ] A manual process of optimizing each layer > ❌ Le deep learning optimise toutes les couches simultanément lors de l’entraînement. # What is a fully connected layer in a neural network? - [x] A layer where each node is connected to all nodes in the previous layer > ✅ Une couche fully connected calcule une somme pondérée de toutes les entrées, suivie d’une fonction d’activation. - [ ] A layer that operates only on image data > ❌ Les couches fully connected sont générales et ne sont pas limitées aux images. - [ ] A layer with shared weights > ❌ Le partage de poids caractérise les couches convolutionnelles, pas fully connected. - [x] Used in multi-layer perceptrons (MLPs) > ✅ Les couches fully connected forment la base des MLP, souvent utilisés pour des données structurées. - [ ] The final output layer of every neural network > ❌ Toutes les architectures ne se terminent pas par des couches fully connected ; certaines utilisent des couches spécialisées comme softmax. # What are the main functions of convolutional layers? - [x] To capture spatial patterns in data like images > ✅ Les couches convolutionnelles extraient des motifs spatiaux à l’aide de petits filtres, adaptées aux images et données audio. - [ ] To connect all neurons in the previous layer > ❌ Cela décrit les couches fully connected, pas convolutionnelles. - [x] To share weights across different regions of the input > ✅ Les couches convolutionnelles utilisent des poids partagés (noyaux) pour traiter efficacement des données structurées. - [ ] To process unstructured text data > ❌ Les couches convolutionnelles sont typiquement utilisées pour des données structurées comme les images, pas le texte non structuré. - [ ] To reduce the size of the input > ❌ La réduction de taille est généralement assurée par les couches de pooling, pas convolutionnelles. # What is automatic differentiation in deep learning? - [x] Computing gradients automatically for all layers > ✅ La différentiation automatique calcule efficacement les gradients, permettant l’entraînement des réseaux profonds via la rétropropagation. - [ ] Optimizing hyperparameters > ❌ L’optimisation des hyperparamètres est distincte de la différentiation automatique, qui calcule les gradients. - [x] A key step in backpropagation > ✅ La différentiation automatique est essentielle à la rétropropagation, qui met à jour les poids par descente de gradient. - [ ] A method for creating new neural architectures > ❌ La différentiation automatique ne sert pas à concevoir des architectures, mais facilite l’entraînement. - [ ] Replacing all manual computations in neural networks > ❌ Elle automatise le calcul des gradients, mais d’autres décisions manuelles (architecture, hyperparamètres) restent nécessaires.