Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

STS > STS CM 4.1 > Flashcards

STS CM 4.1 Flashcards

1
Q

Quelles sont les 2 définitions de l’IA ?

A

L’IA en tant que discipline (« La science et l’ingénierie de la fabrication de machines intelligentes » - John McCarty)
l’IA en tant qu’application : « Ensemble de théories et de techniques capable de reproduire l’intelligence humaine »

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

Comment marche une IA de façon générale ?

A

C’est un programme informatique qui va recevoir des données par une entrée,
elle va les traiter
puis elle va produire des données en sortie

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

Quelle est le principe de l’IA symbolique ?

A

C’est de reproduire les mécanismes cognitifs d’un humain

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

Quand l’IA symbolique était dominant ?

A

Dans les années 80

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

Sur quoi est basée l’IA symbolique ?

A
  • Sur une représentation symbolique (données)
  • Sur un ensemble de règles (base de connaissance)
  • Sur un ensemble de faits (entrée du programme ou déduit des règles)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Qu’est-ce qu’un système expert ?

A

Une catégorie d’IA largement utilisée dans les années 2000

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

Quelles sont les inconvénients d’une IA symbolique ?

A
  • Difficile de mettre à jour la base de connaissance (besoin d’un expert “humain”)
  • N’est pas applicable pour des problèmes non conceptualisable par l’homme
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Comment fonctionne un système expert ?

A
  • L’utilisateur non-expert fait une requête
  • Elle passe par l’interface utilisateur
  • Puis elle arrive au moteur d’interférence
  • Le moteur va déduire les faits par rapport à la requête
  • Renvoie le fait à l’interface utilisateur puis à l’utilisateur non-expert

En parallèle, le moteur d’interférence est alimenté par sa base de donnée qui est défini par un expert

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

Le système expert a besoin d’une intervention humaine ou est-il automatique ?

A

Il a besoin d’une intervention humaine

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

Comment aller plus loin que l’IA symbolique ?

A

Avec l’apprentissage automatique ou machine learning

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

Comment fonctionne le machine learning ?

A

L’IA a une entrée et une sortie
Elle est alimentée de données par un data scientist
Elle possède un algorithme d’apprentissage lui permettant d’apprendre les règles par elle meme

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

Quels sont les ingrédients de l’apprentissage automatique ?

A
  • Un jeu de données (big data)
  • Un algorithme d’apprentissage (deep learning p.e)
  • Une puissance de calcul (carte graphique)

Cela permet l’engouement pour le machine learning

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

Quel est le but de la reconnaissance d’image ?

A

Identifier un chat ou un chien p.e sur une image numérique

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

Un bon apprentissage ne peut se faire qu’avec ?

A

Qu’avec des données propres

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

Quelles sont les 2 catégories d’apprentissage automatique ?

A
  • Apprentissage supervisé
  • Apprentissage non-supervisé
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Qu’est-ce que fait le data scientist pour le jeu de données ?

A
  • Il filtre les données
  • Homogénéiser les données
  • Traiter les données manquantes
8
Q

Quel est le but de l’entrainement supervisé ?

A

Cette étape consiste à entrainer le modèle afin, qu’à terme, il puisse prédire correctement les images d’entrainement

9
Q

Comment fonctionne le système d’entraînement supervisé ?

A

-L’algorithme d’apprentissage reçoit les images d’entrainement
- Il fait ensuite l’entrainement au modèle (IA)
- Si la qualité de prédiction est bonne : fin de l’entrainement
- Si la qualité de prédiction est mauvaise : ajustement du modèle et entraînement à nouveau jusqu’à qu’elle soit bonne

9
Q

Quelle est la différence entre l’apprentissage supervisé et non-supervisé ?

A

Apprentissage supervisé : On connait la valeur à prédire
Apprentissage non-supervisé : on ne connaît pas la valeur à prédire

9
Q

Comment s’appelle le système d’entrainement supervisé ?

A

Un processus itératif

10
Q

Le jeu de données d’un entraînement supervisé est constitué de quoi ?

A
  • Images d’entrainement
  • Images de test
10
Q

Quel est le but du test du modèle entrainé ?

A

Cette étape consiste à évaluer les performances du modèle sur des données nouvelles.

11
Q

Comment fonctionne le test du modèle entrainé ?

A
  • Le modèle reçoit les images de test
  • Il fait ensuite des prédictions
  • Si le modèle est bon, il est capable de généraliser
  • Si il est mauvais, il est trop spécifique
12
Q

Quel est l’autre nom des neurones artificielles ?

A

Perceptron

13
Q

Comment fonctionne un perceptron ?

A
  • Une entrée avec des attributs qui ont chacun des poids
  • Une fonction de combinaison qui somme tout les attributs/poids
  • Une fonction d’activation
  • Puis sortie
14
Q

Quels sont les détails d’un perceptron ?

A

Les valeurs d’entrée, de sortie et de poids doivent être bornées
Les bornes des valeurs d’entrée et de sortie doivent être les mêmes

15
Q

Comment fonctionne un perceptron ?

A
  • Multiplication de l’attribut avec son poids attribué
  • Au niveau de la fonction de combinaison (le net) : somme de tout les attributs/poids
  • Fonction d’activation va borner les valeurs :
    Ce qui est positif = 1
    Ce qui est négatif = -1
16
Q

Comment est constituée un réseau de neurones artificielles ?

A

On a une couche d’entrée
On a une ou plusieurs couches cachées
On a une couche de sortie

16
Q

Que se passe-t-il si le perceptron se trompe ?

A

On retrouve une rétropropagation du gradient de l’erreur

16
Q

Le perceptron est considéré comme quoi ?

A

Il est considéré comme un algorithme simple (linéaire)
Il ne résout donc que des problèmes simples (linéaires)

16
Q

Comment résoudre un problème plus complexe ?

A

En faisant un réseau de neurones artificielles
Donc résolution de problèmes complexes (non-linéaires)

17
Q

Qu’est-ce qu’une rétropropagation du gradient de l’erreur ?

A

Attribution de nouveaux poids en fonction de leur implication dans l’erreur

17
Q

Le réseau de neurones artificielles apprend comment ?

A

Par l’apprentissage profond ou deep learning
Le réseau de neurones apprend à distinguer les motifs de l’image
Un pixel = un perceptron

17
Q

Certains algorithmes d’apprentissage sont capables d’apprendre des règles avec un grand niveau d’abstraction ?

A

Oui

17
Q

Les IA modernes sont basées majoritairement sur de ?

A

L’apprentissage automatique ou « machine learning

17
Q

L’apprentissage automatique déduit des règles à partir de données sans lien apparent

A

Oui

17
Q

Quand est-ce qu’un réseau peut faire du deep learning ?

A

Quand il possède beaucoup de couches cachées

17
Q

Un apprentissage correct ne peux se faire qu’avec

A

Des données propres et diversifiées

STS (14 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions