QCM - Apprentissage non supervisé

QCM - Apprentissage non supervisé

Question 1. Quelle est la différence principale entre classification supervisée et non supervisée ?

La classification supervisée est plus rapideEn classification non supervisée, on ne connaît pas les classes à l'avanceLa classification non supervisée utilise plus de donnéesIl n'y a pas de différence

Question 2. Le centre (isobarycentre) d'un ensemble de vecteurs $x_1, \ldots, x_n$ est :

$\max_{i} x_i$$\frac{1}{n} \sum_{i=1}^n x_i$$\sum_{i=1}^n x_i$$x_1 + x_n$

Question 3. L'inertie d'un clustering mesure :

Le nombre de classesLa somme des variances de chaque classeLe temps d'exécution de l'algorithmeLe nombre de données

Question 4. Dans l'algorithme des $k$-moyennes, que représente $k$ ?

Le nombre de voisinsLe nombre de classes souhaitéesLa dimension des donnéesLe nombre d'itérations

Question 5. Quelle est l'étape initiale de l'algorithme des $k$-moyennes ?

Calculer l'inertieChoisir $k$ centres aléatoirementFusionner les classes les plus prochesTrier les données

Question 6. Pourquoi l'algorithme des $k$-moyennes termine-t-il toujours ?

Parce qu'il y a un nombre maximal d'itérations fixéParce que l'inertie décroît strictement à chaque itération et ne peut prendre qu'un nombre fini de valeursParce que les données sont triéesParce que $k$ est petit

Question 7. La méthode du coude (elbow method) permet de :

Calculer la distance entre deux pointsChoisir le nombre $k$ de classesAccélérer l'algorithmeVisualiser les données

Question 8. L'algorithme des $k$-moyennes converge toujours vers :

Un minimum global de l'inertieUn minimum local de l'inertie (pas forcément global)Un maximum de l'inertieUne inertie nulle

Question 9. L'algorithme des $k$-moyennes ne fonctionne bien que sur des données :

De grande dimensionLinéairement séparablesEntièresTriées

Question 10. Dans la classification hiérarchique ascendante (CHA), l'algorithme commence par :

Mettre toutes les données dans une seule classeMettre chaque donnée dans une classe différenteChoisir $k$ centres aléatoirementCalculer l'inertie

Question 11. Laquelle de ces distances entre classes $A$ et $B$ n'existe pas en CHA ?

Distance minimum : $\min_{a\in A, b\in B} d(a, b)$Distance maximum : $\max_{a\in A, b\in B} d(a, b)$Distance moyenne : $\frac{1}{|A||B|}\sum_{a\in A, b\in B} d(a, b)$Distance produit : $d(a, b) \times |A| \times |B|$

Question 12. L'application des $k$-moyennes à la compression d'images consiste à :

Réduire la taille de l'image en pixelsRéduire le nombre de couleurs différentes en remplaçant chaque pixel par la couleur du centre le plus procheSupprimer les pixels sombresTrier les pixels par couleur