Examen Machine Learning 130 points → /20
Examen de Machine Learning
Apprentissage Automatique
Durée : 3 heures – Documents non autorisés
Total : 130 points → Ramené sur 20
Instructions :
— Répondez à toutes les questions de manière claire et précise
— Justifiez vos réponses pour les exercices pratiques
— La qualité de la rédaction sera prise en compte
Table des matières
1 Questions de Cours (40 points) 2
1.1 A. Introduction au Machine Learning (10 points) . . . . . . . . . . . . . . . . . 2
1.2 B. Processus d’Apprentissage (10 points) . . . . . . . . . . . . . . . . . . . . . . 3
1.3 C. Évaluation et Problèmes Théoriques (10 points) . . . . . . . . . . . . . . . . 4
1.4 D. Types d’Apprentissage (10 points) . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Algorithmes Supervisés (30 points) 7
2.1 A. k-NN (k plus proches voisins) (10 points) . . . . . . . . . . . . . . . . . . . . 7
2.2 B. SVM (Support Vector Machine) (10 points) . . . . . . . . . . . . . . . . . . . 8
2.3 C. Régression (10 points) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 Algorithmes Non Supervisés (20 points) 11
3.1 A. Clustering (Concepts généraux) (8 points) . . . . . . . . . . . . . . . . . . . 11
3.2 B. K-Means (12 points) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 Exercices Pratiques (30 points) 14
5 Questions de Réflexion (10 points) 19
1
Examen Machine Learning 130 points → /20
1 Questions de Cours (40 points)
1.1 A. Introduction au Machine Learning (10 points)
Question 1 (2 points)
Définissez l’apprentissage automatique (Machine Learning) et expliquez sa relation avec l’Intel-
ligence Artificielle et le Deep Learning.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 2 (2 points)
Citez et expliquez brièvement trois disciplines qui contribuent à l’apprentissage automatique.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 3 (3 points)
Donnez trois exemples d’applications réelles de l’apprentissage automatique dans des domaines
différents.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 4 (3 points)
Expliquez la différence entre :
a) Apprentissage supervisé et non supervisé
.........................................................................................
.........................................................................................
.........................................................................................
2
Examen Machine Learning 130 points → /20
b) Problème de régression et problème de classification
.........................................................................................
.........................................................................................
c) Classification binaire et classification multi-classes
.........................................................................................
.........................................................................................
1.2 B. Processus d’Apprentissage (10 points)
Question 5 (4 points)
Énumérez et décrivez brièvement les 6 étapes principales pour concevoir un système d’appren-
tissage automatique.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 6 (3 points)
Qu’est-ce qu’une caractéristique (feature) ? Pourquoi l’extraction de caractéristiques est-elle im-
portante ? Quels sont les risques d’avoir trop peu ou trop de features ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 7 (3 points)
Expliquez les notations suivantes utilisées en ML :
— X et Y
.........................................................................................
3
Examen Machine Learning 130 points → /20
— xi et yi
.........................................................................................
— E (ensemble d’entraînement)
.........................................................................................
.........................................................................................
1.3 C. Évaluation et Problèmes Théoriques (10 points)
Question 8 (3 points)
Définissez les termes suivants dans le contexte de l’évaluation d’un classifieur binaire :
— TP (True Positive)
.........................................................................................
— TN (True Negative)
.........................................................................................
— FP (False Positive)
.........................................................................................
— FN (False Negative)
.........................................................................................
Question 9 (3 points)
Expliquez la différence entre sous-apprentissage (underfitting) et sur-apprentissage (overfitting).
Illustrez avec des exemples.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
4
Examen Machine Learning 130 points → /20
Question 10 (4 points)
Décrivez la méthode générale pour évaluer un modèle d’apprentissage. Comment divise-t-on les
données ? Quelle est l’utilité de la validation croisée (cross-validation) ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
1.4 D. Types d’Apprentissage (10 points)
Question 11 (3 points)
Décrivez l’apprentissage par renforcement et donnez deux exemples d’application.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 12 (3 points)
Qu’est-ce que l’apprentissage semi-supervisé ? Dans quel contexte est-il utilisé ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 13 (2 points)
Qu’est-ce que l’apprentissage actif ?
...............................................................................................
...............................................................................................
...............................................................................................
5
Examen Machine Learning 130 points → /20
Question 14 (2 points)
Donnez trois exemples de problèmes de régression dans la vie réelle.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
6
Examen Machine Learning 130 points → /20
2 Algorithmes Supervisés (30 points)
2.1 A. k-NN (k plus proches voisins) (10 points)
Question 15 (3 points)
Expliquez le principe de l’algorithme k-NN. Quels sont les trois éléments nécessaires pour utiliser
cet algorithme ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 16 (3 points)
Donnez les formules de :
— Distance euclidienne
.........................................................................................
.........................................................................................
— Distance de Manhattan
.........................................................................................
.........................................................................................
— Distance euclidienne pondérée
.........................................................................................
.........................................................................................
Question 17 (2 points)
Comment détermine-t-on la classe d’un nouvel exemple avec k-NN ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
7
Examen Machine Learning 130 points → /20
Question 18 (2 points)
Quels sont les problèmes liés au choix de k ? Que se passe-t-il si k est trop petit ou trop grand ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
2.2 B. SVM (Support Vector Machine) (10 points)
Question 19 (3 points)
Qu’est-ce qu’un SVM linéaire ? Quel est le principe géométrique de cet algorithme ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 20 (2 points)
Définissez :
— Les vecteurs de support
.........................................................................................
.........................................................................................
— La marge en SVM
.........................................................................................
.........................................................................................
Question 21 (2 points)
Qu’est-ce qu’un hyperplan optimal en SVM ? Comment le détermine-t-on ?
...............................................................................................
...............................................................................................
...............................................................................................
8
Examen Machine Learning 130 points → /20
Question 22 (3 points)
Comment traite-t-on les données non linéairement séparables avec SVM ? Citez trois types de
noyaux (kernels) couramment utilisés.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
2.3 C. Régression (10 points)
Question 23 (2 points)
Quelle est la différence entre régression linéaire simple et régression polynomiale ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 24 (3 points)
Pour un modèle de régression linéaire simple Y = aX +b, expliquez le critère des moindres carrés
pour estimer les paramètres a et b.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
9
Examen Machine Learning 130 points → /20
Question 25 (3 points)
Citez et définissez trois métriques d’évaluation pour un modèle de régression.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 26 (2 points)
Donnez l’équation du modèle de régression avec erreur. Pourquoi considère-t-on une erreur ε ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
10
Examen Machine Learning 130 points → /20
3 Algorithmes Non Supervisés (20 points)
3.1 A. Clustering (Concepts généraux) (8 points)
Question 27 (2 points)
Qu’est-ce que le clustering ? En quoi diffère-t-il de la classification ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 28 (3 points)
Quels sont les objectifs d’un bon clustering ? Expliquez les notions d’inertie intra-classe et inter-
classe.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 29 (3 points)
Citez et expliquez brièvement trois types d’algorithmes de clustering.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
11
Examen Machine Learning 130 points → /20
3.2 B. K-Means (12 points)
Question 30 (3 points)
Décrivez le principe algorithmique de K-Means. Quelles sont les entrées et les sorties de cet
algorithme ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 31 (4 points)
Décrivez les étapes de l’algorithme K-Means de manière détaillée.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
Question 32 (3 points)
Qu’est-ce que la méthode Elbow (du coude) ? Comment permet-elle de choisir le nombre optimal
de clusters K ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
12
Examen Machine Learning 130 points → /20
Question 33 (2 points)
Qu’est-ce qu’un optimum local en K-Means ? Comment peut-on atténuer ce problème ?
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
13
Examen Machine Learning 130 points → /20
4 Exercices Pratiques (30 points)
Exercice 1 : Classification avec k-NN (10 points)
Soit l’ensemble d’entraînement suivant avec deux features (X1 , X2 ) et une classe binaire
(Oui/Non) :
Point X1 X2 Classe
A 2 3 Oui
B 3 4 Oui
C 6 8 Non
D 7 9 Non
E 8 5 Non
F 3 5 Oui
On souhaite classifier un nouveau point P (5, 6) en utilisant k-NN avec k = 3.
a) (5 points) Calculez la distance euclidienne entre P et chacun des points A, B, C, D, E,
F.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
b) (3 points) Identifiez les 3 plus proches voisins de P .
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
c) (2 points) Quelle classe attribuez-vous à P ? Justifiez.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
14
Examen Machine Learning 130 points → /20
15
Examen Machine Learning 130 points → /20
Exercice 2 : Matrice de Confusion (8 points)
Un classifieur binaire pour détecter une maladie (Positif/Négatif) a donné les résultats sui-
vants sur 200 patients :
— 80 patients malades correctement identifiés
— 95 patients sains correctement identifiés
— 15 patients sains identifiés comme malades
— 10 patients malades identifiés comme sains
a) (2 points) Construisez la matrice de confusion.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
b) (2 points) Calculez l’Accuracy.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
c) (2 points) Calculez la Precision.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
d) (2 points) Calculez le Recall.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
16
Examen Machine Learning 130 points → /20
Exercice 3 : Régression Linéaire (7 points)
On dispose des données suivantes pour prédire le prix d’une maison (Y en milliers €) en
fonction de sa surface (X en m²) :
Surface (X) Prix (Y)
50 150
70 200
90 250
100 280
a) (2 points) Calculez la moyenne de X et la moyenne de Y .
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
b) (3 points) En utilisant les formules de régression linéaire simple, estimez les paramètres
a et b du modèle Y = aX + b.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
c) (2 points) Prédisez le prix d’une maison de 80 m².
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
17
Examen Machine Learning 130 points → /20
Exercice 4 : K-Means (5 points)
Soit les points suivants dans un espace 2D : A(1, 1), B(2, 1), C(1, 2), D(8, 8), E(9, 8), F (8, 9)
On applique K-Means avec K = 2 et les centres initiaux suivants :
— Centre 1 : (2, 2)
— Centre 2 : (8, 8)
a) (3 points) Effectuez la première itération : affectez chaque point au centre le plus proche
en utilisant la distance euclidienne.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
b) (2 points) Calculez les nouveaux centres après cette première itération.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
18
Examen Machine Learning 130 points → /20
5 Questions de Réflexion (10 points)
Question 34 (5 points)
Comparez les algorithmes k-NN et SVM en termes de :
— Principe de fonctionnement
.........................................................................................
.........................................................................................
.........................................................................................
— Avantages et inconvénients
.........................................................................................
.........................................................................................
.........................................................................................
— Contextes d’utilisation appropriés
.........................................................................................
.........................................................................................
.........................................................................................
Question 35 (5 points)
Un data scientist doit choisir entre une approche de clustering (non supervisée) et une approche
de classification (supervisée) pour segmenter ses clients. Quels critères doit-il considérer pour
faire son choix ? Discutez des avantages et limites de chaque approche dans ce contexte.
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
...............................................................................................
19
Examen Machine Learning 130 points → /20
Barème Récapitulatif
Partie Points
Partie 1 : Questions de Cours 40
A. Introduction au Machine Learning 10
B. Processus d’Apprentissage 10
C. Évaluation et Problèmes Théoriques 10
D. Types d’Apprentissage 10
Partie 2 : Algorithmes Supervisés 30
A. k-NN 10
B. SVM 10
C. Régression 10
Partie 3 : Algorithmes Non Supervisés 20
A. Clustering (Concepts généraux) 8
B. K-Means 12
Partie 4 : Exercices Pratiques 30
Exercice 1 : Classification avec k-NN 10
Exercice 2 : Matrice de Confusion 8
Exercice 3 : Régression Linéaire 7
Exercice 4 : K-Means 5
Partie 5 : Questions de Réflexion 10
TOTAL 130 points → Ramené sur 20
Bonne chance !
20