Q&A Data/ML

Question 1

Comment entraîner et optimiser un modèle de machine learning ?

Answer 1

1. Collecte: Nettoyage, normalisation, augmentation
2. Modèle : Algo adapté.
3. Entraînement : train/test + hyperparam
4. Optimisation : Ajustement Grid Search, Random Search
5. Validation : Évaluation
6. Déploiement: Mise en production
7. Monitoring : Suivi des perf

Question 2

2. Comment évaluer la performance d’un modèle ?

Answer 2

1. Classification : Accuracy, Precision, Recall
2. Régression : MSE, MAE
3. Clustering : Score de silhouette
4. Cross-validation =>robustesse.
5. Comparaison avec un baseline model.

Question 3

3. Comment gères-tu un problème de sur-apprentissage (overfitting) ?

Answer 3

1. Régularisation : L1/L2 (Ridge, Lasso), Dropout pour les réseaux de neurones.
2. Augmentation
3. Réduction de la complexité: Moins de couches/features.
4. Early stopping : Arrêter l’entraînement avant d’overfitter.
5. Cross-validation : Vérification de la stabilité du modèle

Question 4

4. Peux-tu expliquer le concept de biais et variance ?

Answer 4

Biais élevé : Modèle trop simple (sous-apprentissage).
Variance élevée : Modèle trop complexe (sur-apprentissage).
Trade-off Biais/Variance : Trouver un équilibre en ajustant la complexité du modèle.

Question 5

5. Comment choisir entre plusieurs modèles de machine learning ?

Answer 5

1. Comparer les métriques de performance
2. complexité, temps d’entraînement
   3.. Capacité de généralisation via la cross-validation.
3. Privilégier des modèles interprétables

Question 6

données déséquilibrées ? Comment les traiter ?

Answer 6

Rééchantillonnage : Oversampling (SMOTE) ou undersampling.
Pondération : Ajout de poids aux classes sous-représentées

Question 7

7. Comment démarres-tu un projet data de zéro ?

Answer 7

1. Compréhension du problème et des objectifs business.
2. Collecte des données : Sources, formats, disponibilité.
3. Exploration des données (EDA) : Exploratory Data Analysis.
4. Pré-traitement : Nettoyage, encodage, valeurs manquantes
5. Choix du modèle et entraînement.
6. Évaluation et itération jusqu’à obtenir de bons résultats.

Question 8

8. Peux-tu expliquer ton processus de prétraitement des données ?

Answer 8

1. Nettoyage : Suppression des doublons, gestion des valeurs manquantes.
2. Encodage : Label encoding, One-hot encoding pour les variables catégorielles.
3. Feature scaling : Normalisation (MinMaxScaler) ou standardisation (StandardScaler).
4. Réduction de dimension : PCA, t-SNE si nécessaire.

Question 9

9. Comment gères-tu des données manquantes ?

Answer 9

1. Suppression : Si faible proportion et non critique.
2. Imputation : Moyenne, médiane, mode, ou modèles de prédiction.
3. Catégorie “Manquant” : Pour variables catégorielles.

Question 10

10. Que fais-tu si ton modèle ne donne pas de bons résultats ?

Answer 10

1. Vérification des données : Nettoyage et prétraitement.
2. Changement de modèle : Essai avec d’autres algorithmes.
3. Ajustement des hyperparamètres : Grid Search, Random Search.
4. Ajout de features : Feature engineering.
5. Équilibrage des classes si déséquilibre présent.

Question 11

11. As-tu déjà travaillé avec de gros volumes de données ? Comment les traiter efficacement ?

Answer 11

1. Échantillonnage intelligent pour tester plus rapidement.
2. Utilisation d’outils adaptés : Pandas avec dask
3. Optimisation du stockage : Parquet au lieu de CSV.
4. Traitement par batch : Mini-batch training pour deep learning.

Question 12

12. Différence entre apprentissage supervisé, non supervisé et par renforcement

Answer 12

1. Apprentissage supervisé : données étiquetées (ex : classification d’images de chats et de chiens avec leurs labels).
2. Apprentissage non supervisé : Pas de labels, le modèle cherche des structures cachées dans les données (ex : clustering avec k-means).
3. Apprentissage par renforcement : Un agent apprend par essais et erreurs en recevant des récompenses (ex : AlphaGo qui joue au jeu de Go).

Question 13

13. Comment choisir une fonction d’activation ?

Answer 13

1. ReLU (Rectified Linear Unit) : Standard en deep learning, rapide et efficace, mais peut souffrir du “dying ReLU”.
2. Sigmoïde : Utile pour des probabilités (sortie entre 0 et 1), mais problème de gradient vanishing.
3. Tanh : Centrée autour de 0, meilleure que la sigmoïde mais peut aussi avoir du gradient vanishing.
4. Leaky ReLU : Variante de ReLU qui évite le “dying ReLU”.
5. Softmax : Utilisée en sortie pour la classification multi-classes.
   ➡ Le choix dépend du type de problème et des performances souhaitées.

Question 14

Définition de la régression logistique

Answer 14

Résultat : proba [0,1] (sigmoid)
Utilisé dans classification binaire (spam/no spam)

Question 15

Définition de la régression linéaire

Answer 15

Etablit relation linéaire entre plusieurs variables
Prédiction de valeurs continues (prix d’une maison)

Question 16

Comment te tiens-tu informé des évolutions en IA

Answer 16

Towards Data Science
Cours en ligne : FastAI, Coursera, Kaggle

Question 17

Quel est ton avis sur l’éthique en IA ?

Answer 17

1. Biais des modèles : L’IA peut amplifier des biais présents dans les données.
2. Transparence et explicabilité : Importance de comprendre comment un modèle prend ses décisions.
3. Impact sur l’emploi : L’automatisation peut remplacer certains métiers mais en créer d’autres.
4. Vie privée et sécurité : Protection des données personnelles avec le RGPD.
5. Utilisation responsable : L’IA ne doit pas être utilisée à des fins malveillantes (deepfakes, surveillance intrusive).

Question 18

Modèle simple et rapide
ou modèle complexe mais plus précis ?

Answer 18

1. Si perf ok, modèle simple (plus facile à interpréter et à déployer).
2. Si haute précision critique, modèle complexe justifié, Mais gérer le surapprentissage et la scalabilité.
3. Cas réel : simple peut suffire pour prototype rapide. En prod, trouver équilibre entre précision, vitesse et coût de calcul.