Réponds avant d’ouvrir la réponse : c’est l’effort de rappel qui fait retenir. Marque ensuite « Je savais » ou « À revoir », puis filtre sur « À revoir » pour la prochaine séance.
Rappel actif
Restitue de mémoire, sans support.
Donne la définition de l’apprentissage de Tom Mitchell (1997), avec ses trois symboles.
Un programme apprend d’une expérience E pour une tâche T, mesurée par une performance P, si ses résultats sur T mesurés par P s’améliorent avec E.
Exemple : T = classer une tumeur bénigne/maligne, E = dossiers de patients passés, P = exactitude des prédictions.
Cite les trois types d’apprentissage et le principe de chacun.
- Supervisé : apprendre de données étiquetées (classification = valeur discrète, régression = valeur continue).
- Non supervisé : découvrir seul la structure (clusters, patterns), sans étiquettes.
- Par renforcement : un agent agit dans un environnement qui renvoie une récompense, et maximise les récompenses cumulées.
Cite les six critères d’une IA responsable.
Équité, fiabilité et sécurité, respect de la vie privée, inclusivité, transparence, responsabilité.
Distingue
Deux notions proches : dis ce qui les sépare vraiment.
Régression et classification sont toutes deux du supervisé. Qu’est-ce qui les sépare ? Donne un exemple de chaque.
La nature de la sortie : la régression prédit une valeur continue (prix d’une maison), la classification prédit une classe discrète (churn : part / reste, tumeur : bénigne / maligne).
Classification et clustering produisent tous deux des groupes. Pourquoi l’un est-il supervisé et l’autre non ?
La classification apprend de données déjà étiquetées et range un cas dans une classe connue d’avance (supervisé). Le clustering n’a pas d’étiquettes : il forme lui-même des groupes homogènes selon un critère de similarité (distance, densité), sans savoir à l’avance combien ni lesquels (non supervisé).
Overfitting et underfitting : décris chacun, et dis dans quel cas l’erreur sur le training set est déjà élevée.
- Overfitting : le modèle apprend le training set « par cœur », bruit compris, et ne généralise pas : bon sur le train, mauvais sur les nouvelles données.
- Underfitting : le modèle est trop simple, il ne capture même pas les corrélations du train : l’erreur est déjà élevée en apprentissage.
Training set, test set et validation set : à quoi sert chacun ?
- Training : générer (entraîner) le modèle.
- Test : appliquer le modèle pour le tester et le réajuster.
- Validation : régler les hyperparamètres de l’algorithme.
Explique pourquoi
Le mécanisme derrière la règle.
Pourquoi la régularisation (L1/Lasso, L2/Ridge) combat-elle l’overfitting ?
Elle pénalise la complexité du modèle (la taille des coefficients) : le modèle est poussé vers une forme plus simple, qui ne peut plus coller au bruit du training set. Il capture la tendance générale plutôt que chaque point, donc il généralise mieux.
Pourquoi nettoyer et diversifier les données réduit-il le risque de biais dans un modèle (ex. approbation de prêt) ?
Un modèle apprend ce qu’il voit. Si les données reflètent une discrimination passée (par genre ou origine), il la reproduit et l’amplifie. Nettoyer les données pour en retirer ces biais, et tester sur des ensembles représentatifs et diversifiés, empêche le modèle d’ancrer une injustice présente dans l’historique.
Pourquoi le cours présente-t-il le manque de guidage de l’utilisateur comme le principal défaut du KDD ?
Le KDD enchaîne neuf phases mais ne dit pas à l’utilisateur quoi choisir à chaque étape (quelle tâche, quel algorithme). Un non-expert peut donc prendre, à chaque phase, une décision inadaptée à ses données, sans que la méthode l’en avertisse.
Cas pratique
Choisis et justifie avec les critères du cours.
Ton modèle de prédiction de churn atteint 99 % sur le training set mais 70 % sur le test set. Quel problème, et deux remèdes ?
Overfitting : l’écart énorme entre train (99 %) et test (70 %) montre que le modèle a mémorisé le train sans généraliser.
Remèdes : régularisation (L1/L2), simplifier le modèle, plus de données, validation croisée.
Une banque veut industrialiser un projet IA en équipe, avec data scientists, data engineers et un architecte, et un suivi en production. Quelle méthodologie, et quel rôle prépare les pipelines de données ?
TDSP (Team Data Science Process) : rôles clairs du début à la fin, orienté collaboration et infrastructure. Le Data Engineer prépare, intègre et nettoie les données, et met en place les pipelines, garantissant qualité et disponibilité.
Trouve l'erreur
Chaque affirmation contient au moins une faute.
« Mon modèle a une erreur élevée dès l’entraînement, c’est de l’overfitting. »
Une erreur élevée dès l’entraînement est de l’underfitting (le modèle est trop simple pour capturer les données). L’overfitting donne au contraire une erreur faible sur le train mais élevée sur le test.
« Le clustering est du supervisé puisqu’il produit des catégories. »
Le clustering est non supervisé : il travaille sans étiquettes et découvre lui-même les groupes. La classification, elle, est supervisée car elle apprend de données étiquetées.
« CRISP-DM se termine à la phase de modélisation : une fois le modèle entraîné, le projet est fini. »
Après la modélisation viennent l’évaluation (le modèle répond-il aux objectifs métier ?) et le déploiement (mise en production, suivi, entretien). Un modèle non déployé ne sert à rien.
Classe
Range chaque élément et explique les cas limites.
Associe chaque cas à une technique de ML : prédire le prix d’une maison ; regrouper des clients similaires ; prédire si un client va résilier ; trouver les produits souvent achetés ensemble ; réduire le nombre de variables avant modélisation ; repérer une transaction frauduleuse inhabituelle.
Régression ; clustering ; classification ; association ; réduction de dimension (feature selection) ; détection d’anomalies.
Classe chaque problème de données réelles (incomplet, bruyant, incohérent) :
occupation = "";age = "42"avecanniversaire = "03/07/1993";salaire = "-1000".occupation = "": incomplet (valeur manquante).salaire = "-1000": bruyant (valeur aberrante, erreur de saisie/instrument).age = "42"vs anniversaire 1993 : incohérent (deux sources qui se contredisent).
Pour chaque phase de CRISP-DM, dis si elle vient avant ou après la modélisation : préparation des données, évaluation, compréhension métier, déploiement, compréhension des données.
- Avant la modélisation : compréhension métier, compréhension des données, préparation des données.
- Après : évaluation, déploiement.
Ordre complet : métier → données → préparation → modélisation → évaluation → déploiement.
Et si...
Prévois la conséquence.
Et si on entraîne et évalue un modèle sur exactement le même jeu de données, sans séparer train et test ?
On ne mesure plus que la capacité du modèle à réciter des données qu’il a déjà vues : le score est trompeusement bon et ne dit rien de la généralisation. Un overfitting passerait inaperçu. D’où la séparation train / test / validation.
Et si on déploie un modèle de reconnaissance faciale sans supervision humaine sur des décisions critiques (ex. justice) ?
Une erreur du modèle peut condamner une personne à tort : c’est le risque de responsabilité légale du cours. Remèdes : un cadre légal et éthique clair, et une supervision humaine obligatoire pour les décisions critiques, le modèle assistant la décision sans la prendre seul.