Cours 11

Question 1

AI définition :

Answer 1

Développement de systèmes et de machines intelligents capables d’effectuer des tâches qui nécessiteraient autrement l’intelligence humaine.

Question 2

Apprentissage machine (ML) : définition

Answer 2

• Sous-catégorie de l’AI.

Création d’algorithmes capables d’apprendre à partir des données fournies et de prendre des décisions en fonction des modèles observés dans ces données.

Question 3

Apprentissage profond (DL) : définition

Answer 3

• Sous-catégorie
  supplémentaire du ML.

Il utilise un réseau neuronal artificiel pour traiter les données à travers différentes couches d’algorithmes et parvenir à une décision précise sans intervention humaine.

Question 4

Importance de l’apprentissage machine :

Answer 4

outils puissants pour analyser et comprendre les comportements humains.

-identifier des schémas comportementaux complexes

-prédire les comportements futurs en fonction de variables psychologiques pertinentes

-d’automatiser des tâches telles que l’analyse de textes pour extraire des informations sur les sentiments ou les émotions des individus.

Question 5

Qu’est-ce que l’apprentissage supervisé ? Et l’apprentissage non-supervisé ?

Answer 5

utilisation de données étiquetées pour entraîner un modèle à prédire des résultats futurs (ex : prédire diagnostic selon performances aux tests cognitifs)

trouver des schémas ou des structures cachées dans les données sans utiliser d’étiquettes préexistantes

Question 6

Qui suis-je ?
Un agent apprend à prendre des décisions en interagissant avec un environnement.

Answer 6

apprentissage par renforcement

L’agent effectue des actions, et en fonction de ces actions, l’environnement fournit des retours sous forme de récompenses ou de pénalités.

L’objectif de l’agent est d’apprendre une politique qui maximise la récompense cumulative au fil du temps.

Question 7

Manière de nettoyer et de préparer les données :

Answer 7

• valeurs aberrantes ou manquantes
• la normalisation des données pour les mettre à la même échelle
• la conversion des variables catégorielles en formats appropriés pour l’analyse
• divisées en ensembles d’entraînement et de test pour évaluer la performance des modèles

**éviter le surajustement

Question 8

Modèles les plus simples et plus utilisés en psychologie pour prédire une variable continue en fonction de variables indépendantes, qui suis-je ?

Answer 8

La régression linéaire

Question 9

Objectif de la régression linéaire ?

Answer 9

Obtenir une équation qui minimise l’erreur entre les valeurs prédites et les valeurs observées, ce qui permet de faire des prédictions sur de nouvelles données.

L’objectif est de trouver les bêtas qui minimisent l’erreur de prédiction.

Question 10

Qui suis-je ? Largement utilisé en psychologie, mais qui s’applique lorsque la variable cible est catégorique :
Quel est son objectif ?

Answer 10

la classification

L’objectif de la classification est d’assigner des étiquettes ou des catégories à des données basées sur leurs caractéristiques.

Question 11

Définition clustering :

Answer 11

• former des groupes de points de données homogènes à partir d’un ensemble de données hétérogènes.

○ Il évalue la similarité en fonction d’une métrique

et regroupe ensuite les points ayant le score de similarité le plus élevé ensemble.

Question 12

Taux de vrai positif (sensibilité) et taux de faux positif (spécificité). Quelles sont les formules ?

Answer 12

true positive/(true positive + false négative)

false positive/(false positive + true negative)

Question 13

Qu’est-ce que le sur-ajustement et le sous-ajustement ?

Answer 13

Sur-ajustement (Overfitting) :
Le modèle est trop complexe par rapport à la quantité de données disponibles, ou lorsqu’il est entraîné pendant trop longtemps.

Sous-ajustement (Underfitting):
Le modèle est trop basique ou lorsqu’il n’est pas entraîné suffisamment longtemps pour capturer les tendances dans les données.

Question 14

Exemple d’application de l’apprentissage machine :

Answer 14

Analyse de sentiment et classification de textes

prédire les comportements futurs en se basant sur des données observationnelles sur le comportement passé

utilisés pour fournir un contenu éducatif ou thérapeutique personnalisé en fonction des besoins individuels des apprenants ou des patients.

Question 15

Qu’est-ce qu’un réseau de neurones profonds ?

Answer 15

• Multiples couches de neurones interconnectés.
  ○ Effectuant chacune des opérations de transformation.
  Pour la transmettre à l’autre.
• Capacité d’apprendre des représentations hiérarchiques des données
  caractéristiques complexes et abstraites à différents niveaux d’abstraction.

Question 16

Quelle est la première couche du réseau ? Elle fait quoi ?

Answer 16

la couche d’entrée

elle reçoit les donnéesbrutes en entrée

Question 17

Qu’est-ce que les couches cachées ?

Answer 17

• Intermédiaires entre la couche d’entrée et la couche de sortie.

Extraction des caractéristiques des données en effectuant des transformations non linéaires.

Question 18

Quelle est le nom de la dernière couche du réseau ? Elle produit quoi ?

Answer 18

la couche de sortie

elle produit les prédictions ou les résultats du modèle

La couche de sortie peut avoir des neurones correspondant à chaque classe possible

Question 19

Propagation avant
Les données d’entrée sont ____ à travers le réseau, couche par couche, en effectuant des ___de pondération et de biais. Les prédictions du modèle sont obtenues à partir de la ____

Answer 19

propagées

calculs

sortie de la couche de sortie.

Question 20

Comment fait-on le calcul de l’erreur ?

Answer 20

L’erreur du modèle est calculée en comparant les prédictions du modèle avec les valeurs réelles des données d’entraînement à l’aide d’une fonction de perte.

Question 21

Rétropropagation de l’erreur

L’erreur est propagée ____ à travers le réseau, de la couche de sortie à la couche d’entrée, afin de calculer les ____ par rapport aux poids et aux __de chaque neurone.

Answer 21

en arrière

gradients de perte

biais

Question 22

Comment est fait la mise à jour des poids ?

Answer 22

Les poids et les biais du réseau sont ajustés dans la direction qui minimise la fonction de perte, en utilisant des algorithmes d’optimisation tels que la descente de gradient stochastique.

Question 23

Utilisés pour la vision par ordinateur, les ____ sont composés de couches de convolution et de sous-échantillonnage qui permettent d’extraire des caractéristiques spatiales des images.

Answer 23

CNN (réseaux de neurones convolutifs)

Question 24

Les réseaux de neurones récurrents (RNN) sont utilisés pour faire quoi ?

Answer 24

Utilisés pour le traitement de séquences, les RNN sont capables de traiter des données séquentielles en conservant une mémoire à court terme grâce à des boucles récurrentes.

Question 25

Une architecture de réseau plus récente, utilisée principalement pour le traitement du langage naturel, les ____ sont basés sur des mécanismes d’attention qui permettent au modèle de focaliser son attention sur différentes parties de la séquence d’entrée.

Answer 25

transformers

Question 26

Les grands modèles de langage (LLM)

Entraînés à prédire le ____ suivant un texte fourni en ___

Permet de développer une riche ___ avec l’utilisateur et de _____ de l’information à partir d’un grand corpus de texte.

Ces modèles ont encore de la difficulté avec les tâches de la _____

Mais ils présentent des performances très supérieures aux tests de ___, peuvent passer les examens du ___ et très avancés en ____

Answer 26

mot
entrée

interaction
synthétiser

théorie de l’esprit

QI
barreau
médecine

Question 27

Apprentissage profond biofeedback est une méthode thérapeutique qui permet à une personne de recevoir en temps réel des _____ sur des paramètres _____.

Ces infos peuvent être utilisées pour apprendre à ____ ces paramètres de manière ____, souvent dans le but d’améliorer la ___ ou les _____

Answer 27

informations

physiologiques
(fréquence cardiaque, tension artérielle, temp corporelle)

contrôler
consciente
santé
performances