4. IA

Question 1

Quelle est la différence entre un apprentissage automatique (machine learning) et un apprentissage profond (deep learning)?

Answer 1

L’apprentissage automatique est un algorithme entrainé à partir d’exemples alors que l’apprentissage profond est plus complexe, performant et opaque.

Question 2

Quel est l’objectif de l’apprentissage automatique?

Answer 2

Prédire in silico une propriété d’intérêt sur un composé pour minimiser les tâches expérimentales.

Question 3

Quelle est l’approche informatique de l’apprentissage automatique?

Answer 3

L’algorithme pour accomplir une tâche définie est conçu à partir d’exemples (Q&A). Il apprend des exemples pour généraliser les nouveaux exemples.

Question 4

Nous avons besoin de 4 informations pour mettre en place l’apprentissage, lesquels? important

Answer 4

1. jeu de données
2. fonction pour modéliser les exemples
3. fonction de coût
4. algorithme d’optimisation

Question 5

Dans quels contextes l’apprentissage est supervisé ou non-supervisé?

Answer 5

Supervisé = des exemples de réponses sont disponibles
Non-supervisé = on ne connaît pas la question

Question 6

Question, réponse, entrée et sortie: lesquels sont associés à x ou y?

Answer 6

x: question & entrée
y : réponse & sortie

Question 7

À quoi consiste l’apprentissage?

Answer 7

Identifier les paramètres libres de la fonction θ et les ajuster pour prédire au mieux les exemples connus.

Question 8

Quelle est la dimensionnalité d’un jeu de données?

Answer 8

La taille de celui-ci.

Question 9

C’est quel type de problème lorsque Y est discret ou continu?

Answer 9

Y discret = problème de classification
Y continu = problème de régression

Question 10

Quels sont les deux rôles que peuvent prendre un jeu de données?

Answer 10

Rôle #1: utilisé directement pour l’apprentissage (training set)
Rôle #2: utilisé pour quantifier la performance de l’apprentissage (test set)

Question 11

Pourquoi on retient des exemples pour tester l’apprentissage?

Answer 11

On teste l’apprentissage par de vrais exemples avec la question et la réponse pour s’assurer que la modèle a été bien entraîné. Si on réapplique les mêmes questions lors de l’apprentissage et du test, il ne va pas raisonner mais appliquer par sa mémoire. C’est l’examen qu’on fait passer au logiciel.

Question 12

Lorsqu’on rajoute une couche cachée au réseau de neurone, qu’est-ce qui est rajouté?

Answer 12

Un paramètre

Question 13

Expliquer le réseau de neurones.

Answer 13

Le réseau de neurones est inspiré de la façon dont le cerveau fonctionne. Chaque nœud est lié aux autres dans chaque couche. Plus on ajoute de données, plus il y a de couches cachées qui se rajoutent. Les données liées ensemble permettent de trouver un pattern. Le résultat final du réseau de neurones permet de prédire de façon précise une question qu’on pose.

Question 14

Qu’est-ce que la fonction de coût?

Answer 14

C’est la distance entre la réponse prédite et la vraie réponse, donc il dit à quel point le modèle s’est trompé. Plus la distance est grande, plus le modèle s’est trompé.

Question 15

Que quantifie la fonction de coût?

Answer 15

Elle quantifie combien de paramètres permettent de reproduire les Y des exemples à partir des X.

Question 16

Qu’indique un gradient?

Answer 16

Elle indique dans quelle direction de la fonction on augmente le coût le plus vite.

Question 17

Qu’est-ce que le surapprentissage?

Answer 17

Lorsque le modèle apprend par cœur au lieu de comprendre la relation de la question et de la réponse.

Question 18

Comment peut-on voir dans un graphique lorsqu’il y a un phénomène de surapprentissage?

Answer 18

Lorsque le MSE (mean squared erreor) du test est supérieur au MSE de l’entrainement.

Question 19

À quoi sert l’aire sous la courbe ROC?

Answer 19

À évaluer la performance de l’interprétation du coût.

Question 20

Dans l’apprentissage non-supervisé, l’exemple ne contient qu’un input puisque l’output est une valeur abstraite. Que cherche-t-on à identifier dans ce cas-ci?

Answer 20

On chercher à identifier une structure dans l’ensemble d’apprentissage.

Question 21

Quelles sont les variantes dans un réseau de neurones?

Answer 21

Connexions entre les couches, la fonction objectif et le partage des poids.

Question 22

Que sont le m et le n?

Answer 22

m : colonnes = dimensions, variables, gènes, pixels, etc.
n : rangées = observations, exemples, échantillons, patients, mesures, etc.

Question 23

Que se passe-t-il si un modèle à moins d’exemples qu’il y a de paramètres à ajuster?

Answer 23

Le modèle est sous-déterminé.

Question 24

À quoi réfère la capacité d’un modèle?

Answer 24

Elle réfère à la complexité de fonctions qu’il peut représenter. Il est influencé par le nombre de paramètres libres.

Question 25

V ou F, il ne faut pas nécessairement une grande quantité de données pour dériver un modèle d’une grande capacité.

Answer 25

F, c’est d’ailleurs à cause de ça que le surapprentissage survient lorsque la capacité du modèle est supérieure au nombre d’exemples.

Question 26

Qu’est-ce que la validation croisée?

Answer 26

Il permet d’évaluer la performance des modèles d’apprentissage automatique.

Question 27

Que fait la régularisation?

Answer 27

Elle identifie les matrices W (poids) qui minimisent la fonction objectif. Elle incite l’algorithme à identifier une solution avec des petits W.