JuniorChoix multipleQuelle est la différence entre l'apprentissage supervisé, non supervisé et par renforcement?AL'apprentissage supervisé est basé sur les actions et les récompenses, non supervisé sur les données étiquetées, et par renforcement sur les données non étiquetéesBL'apprentissage supervisé infère des modèles, non supervisé prédit des résultats, et par renforcement utilise des réseaux de neuronesCL'apprentissage supervisé est utilisé pour la classification, non supervisé pour la régression, et par renforcement pour la réduction de dimensionDL'apprentissage supervisé utilise des données étiquetées, non supervisé utilise des données non étiquetées, et par renforcement apprend par essais et erreursVérifier la réponse
IntermédiaireChoix multipleQu'est-ce que le surapprentissage et comment peut-on l'éviter?ALe surapprentissage est lorsque le modèle apprend des détails non pertinents, on peut l'éviter avec la validation croisée et la régularisationBLe surapprentissage est lorsque le modèle ne s'adapte pas aux données, on peut l'éviter en augmentant la complexité du modèleCLe surapprentissage est lorsque le modèle a une faible précision, on peut l'éviter en réduisant le nombre de caractéristiquesDLe surapprentissage est lorsque le modèle est trop simple, on peut l'éviter en ajoutant plus de donnéesVérifier la réponse
IntermédiaireChoix multipleComment fonctionne un arbre de décision et quels sont ses avantages et inconvénients?AUn arbre de décision nécessite une mise à l'échelle des données et est difficile à interpréterBUn arbre de décision est complexe mais robuste aux changementsCUn arbre de décision est difficile à interpréter et ne gère pas les données non linéairesDUn arbre de décision est facile à interpréter mais sensible aux petits changementsVérifier la réponse
IntermédiaireChoix multiplePourquoi les distributions à longue traîne sont-elles importantes dans les problèmes de classification et de régression ?AElles n'affectent que les modèles de régression linéaire.BElles simplifient la tâche de modélisation en réduisant la variance.CElles peuvent fausser la performance du modèle en biaisant les erreurs vers la classe majoritaire.DElles ne posent aucun problème pour les modèles de machine learning.Vérifier la réponse
JuniorChoix multipleQuelle est la différence entre l'apprentissage supervisé, non supervisé et par renforcement ?AL'apprentissage non supervisé vise à maximiser une récompense au fil du temps.BL'apprentissage supervisé et non supervisé utilisent tous deux des données étiquetées.CL'apprentissage supervisé utilise des données étiquetées, l'apprentissage non supervisé utilise des données non étiquetées, et l'apprentissage par renforcement apprend par essais et erreurs.DL'apprentissage par renforcement ne reçoit jamais de récompenses ou de pénalités.Vérifier la réponse
