2-cours9_IA Flashcards

1
Q

terme le + large:

A

intelligence artificielle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

sous catégorie de l’apprentissage machine:

A

deep learning (apprentissage profond)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

but de l’intelligence artificielle:

A

essayer de copier l’intelligence humaine dans une machine

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

courriel spam c’est qyoi

A

aprentissage machien

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

ordre de l’IA:

A

deep learning dans machione learning dans IA

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

la manioulation de données, c’est la:

A

data science

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

synonyme de apprentissage machine:

A

apprentissage AUTOMATIQUE
Apprentissage STATISTIQUE
MCHINE LEARNING

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Il s’agit d’algorithmes informatiques qui analysent un ensemble de données afin de déduire des règles qui constituent de nouvelles connaissances permettant d’analyser de nouvelles situations.

A

apprentissage machine

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

je donne des regles à la machine: qd je dis ca tu répond ca

A

algorithme

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

2 items dans apprentissage machine: prédire:

A

1) prédire une évolution
2) Classifier

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

2 types d’apprentissage: apprentissage supervisée et non-supervisée

A

ok

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

classes sont prédéterminées et les données labélisées. je te dis ça c un chien ca c’est un chat

A

apprentissage SUPERVISÉe

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

données ne sont pas labélisées. les classes/catégories seront déterminées par l’algorithme à partir des données

A

Apprentissage non supervisé

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

quelles données qd on entraine l’algorithme, algorithme qui a encore rien appris

A

données d’entrainement

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

données qui ne faisaient pas partie des données d’entrainement, jamais vues par algorithme. on regarde s’il est capable d’avoir une bonne prédiction et modèle fonctionne. Algorithme généralise au dela des données d’apprentissage

A

données test

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

algorithme capable de généraliser??

A

OUIII

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Dans les algorithmes, on entraine quoi?

A

classifieur

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Classifieur est à la base de quoi?

A

d’une algorithme

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

on fait quoi qd on met des données tests dans le classifieur (modèle? ?

A

de sprédictions

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

on extraie l’extraction d’attributs de quoi?

A

signal brut

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

DA = 75% c’est quoi?

A

précision/acquité de décodage

22
Q

classification à 2 classes:

A

classification binaires

23
Q

un classificateur binaire peut ê formalisé comme une focntion de __?

A

décision qui associe chaque observation (vecteur de dimension N) à une des 2 classes, donc à la valeur 1 ou -1

24
Q

le choix de la fct de décision se limite à une famille de fcts fixée par

A

le chercheur

25
si on choisit une fct de décision linéaire, la fonction f correspond à quoi?
séparation de l'espace des attributs par un hyperplan (dans un espace de dimension N). les observations se trouvant de chaque côté de l'hyperplan sera classifié 1 ou -1
26
décision linéaire. séparation de l'espace des attributs par un hyperplan (dans un espace de dimension N). les observations se trouvant de chaque côté de l'hyperplan sera classifié
1 ou -1 (état attentif ou distrait)
27
le processus de sélection des paramètres de la fonction de décision.
apprentissage
28
2 types de classification:
classificaion linéaire et non-linéaire
29
Transformer un problème de classification non non-linéaire en un problème linéaire.
Astuce du noyau (kernel trick)
30
LDA, SVM, KNN, NB sont des ?
algorithmes
31
apprentissage non-supervisé: clusterinig techniques comme:
k-means et hierarchical clustering
32
algorithme regarde les données ous différents angles, trouve mettons 3 parterres qui ressortent, va faire 3 catégories
clustering techniques apperntissage non-supervisé
33
L’idée est intuitive: faire voter les voisins du point de test. Ex. k k-NN classification multiclasse : “parmi mes k plus proches voisins, quelle classe est majoritaire?”
méthode à base de voisinage
34
Classification Accuracy ▪ Logarithmic Loss ▪ Area Under ROC Curve ▪ Confusion Matrix ▪ Classification Report sont des indicateurs de performance pour:
classification
35
Mean Absolute Error. ▪ Mean Squared Error. ▪ R^2. sont des indicaeurs de performance pour la
régression
36
matrice de confusion diagonal:
prédiction sans erreur
37
seuils de chance théorique: 4 classes: 25% 8 classes: 12.5%
38
Pour évaluer la validité statistique (significativité) de la précision de décodage Decoding accuracy , DA) obtenue (par exemple suite à la validation croisée), deux approches sont souvent utilisées: (2 familles de tests statistiques)
loi binominale et test de permutations
39
quelle famille de tests statistiques: Déterminer le seuil de % de prédiction à dépasser en fonction de la valeur p et du nombre d’observation N. approche paramétrique
loi binomiale
40
quel famille de tests statistiques? Générer une distribution nulle à partir des mêmes données en mélangeant aléatoirement les étiquettes. approche non paramtrique:
test de permutations
41
loi binomiale et test de permutations paramétrique ou non?
Loi binomiale: approche paramétrique Test de permutations: approche non-paramétrique
42
Déterminer le seuil de % de prédiction à dépasser en fonction de la valeur p et du nombre d’observation N
loi binomiale
43
Générer une distribution nulle à partir des mêmes données en mélangeant aléatoirement les étiquettes.
test de permutations
44
différence enter shallow et deep learning
Shallow Learning often refers to traditional/conventional machine learning pipeline: problem-specific feature extraction -> model training Deep Learning often refers to a lengthier and more computationally expensive machine learning pipeline: Feature Learning + Model Training (usually done together)
45
les features sont dérivées du data dans shallow ou deep learning?
deep learning
46
hand-crafted features dans shallow ou deep learning?
shallow
47
living portraits (prortraits d'une personne vivante comme la mona lisa) exemple de quoi?
convolutional neural networks
48
apprentissage machine est un outil pour avancer notre compréhension des fonctions et
disfonctions du cerveau
49
comment AI aide neuroscience?
- reverse engineering the brain (refaire les strcutres du cerveau artificiellemetn - outil de data mining (perceptions, imagerie mentale, intentions, décisions, émotions...
50
Apprentissage machine permet d'identifier les marqueurs pertiennts via leur capacité à discriminer des processus cognitifs ou conditions cliniques modélise le traitement de l'info permetune fouille de données (data minign)