EFREI
2025/2026
Arnaud CUEILLE
M1 DE
EPREUVE de CONTROLE CONTINU :
MACHINE LEARNING
TOUTES LES REPONSES SONT PLACEES DANS LE
FICHIER EXCEL FOURNI
--------------------------------------------------------------------
CONSIGNES :
1. Internet non autorisé.
2. Le QCM est à choix unique (type QCU) et en temps limité à 15 minutes. Un point par
question. Pas de point négatif.
3. REPONDRE DANS LE FICIER EXCEL FOURNI AVEC LE DEVOIR CREE SUR TEAMS : Le dépôt
doit porter votre NOM et PRENOM en clair.
4. Le non-respect des consignes décrites ici entrainera des retraits de points.
Q1?
Quelle est la meilleure définition pour Machine Learning ?
A- C’est la capacité d’un réseau de neurones à caractériser de façon autonome, c’est-
à-dire sans apport par l’être humain, une information spécifique.
B- C’est la capacité d’un algorithme à caractériser de façon autonome, c’est-à-dire
sans apport par l’être humain, une information spécifique.
C- C’est la capacité d’un algorithme à reconnaître de façon autonome sans phase
d’apprentissage, une information spécifique.
Q2?
Lorsque l'on structure l'architecture d'un réseau neuronal profond, sachant qu'il existe
plusieurs couches de neurones, quel modèle est le plus rapide dans le calcul après
apprentissage ?
A- Un modèle neuronal qui possède plus de couches mais exactement le même
nombre de neurones au total
B- Un modèle neuronal qui possède moins de couches mais exactement le même
nombre de neurones au total
Q3?
Lorsque l'apprentissage n'est pas assez qualitatif, qu'elle solution reste la plus
économe en temps d'exécution/consommation de CPU/GPU ?
A- On ajoute d'abord des neurones dans les couches existantes
B- On ajoute d'abord des couches de neurones à celles existantes
Q4?
Lorsque l'on dispose de données d'apprentissage taguées, on dit que le réseau
neuronal exploite un dispositif :
A- piloté
B- supervisé
C- non supervisé
Q5?
Que signifie "l'augmentation" lorsque l'on parle de réseaux neuronaux pour la
reconnaissance automatique d'une image ?
A- C'est le principe qui permet d’ajouter de nouveaux neurones dans le réseau
B- C'est le principe qui permet de construire de nouvelles images à partir de celles
déjà utilisées dans le modèle d'apprentissage
C- C'est le principe qui permet d’ajouter de nouvelles couches au réseau neuronal
Q6?
Quelle définition est la plus précise concernant un réseau de neurones à convolution
pour la reconnaissance d'images ?
A- C'est un réseau neuronal qui va relever des caractéristiques dans une image
d'apprentissage pour ensuite les retrouver dans une autre image afin de reconnaître
une catégorie ou une classe qui correspond à son contenu.
B- C'est un réseau neuronal qui va relever des caractéristiques dans une série
d'images d'apprentissage pré classées pour ensuite les retrouver dans une autre
image afin de reconnaître une catégorie ou une classe qui correspond à son contenu.
Q7?
Que signifie le terme "convolution" ? Choisir la meilleure définition.
A- C'est un principe mathématique qui implique une suite successive d'opérations
mathématiques, distinctes, traitées dans un ordre bien précis.
B- C'est un principe mathématique qui cherche à distinguer des éléments
mathématiques par leur données.
C- C'est une structure hiérarchique qui permet une conjonction évolutive de la structure
elle-même
Q8?
Que signifie "le dropout" dans un réseau neuronal profond/à convolution ?
A- La diminution du nombre de couche de neurones dans le réseau
B- La réduction du nombre de neurones dans les couches du réseau
C- La diminution du nombre d'entrées dans certains neurones dans le réseau
D- La réduction du nombre de sorties de certains neurones dans le réseau
Q9?
Quelle signification a le paramètre de "dropout" dans un réseau neuronal profond/à
convolution ?
A- C'est un nombre de neurones
B- C'est un pourcentage de neurones
C- C'est le numéro du neurone concerné
D- C'est le numéro de la couche de neurones concernée
Q10?
D'après le schéma descriptif des modèles/outils qui tentent de montrer un cadre
d'emploi caractéristique en tant que Machine Learning sur le site :
https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
Parmi les pseudos définitions suivantes, laquelle décrit le mieux le concept de
"clustering" ?
A- Segmentation ou partitionnement d'un ensemble de données selon une
caractéristique fondamentale de type proximité physique ou sémantique.
B- Séparation d'ensemble de données selon une des caractéristiques (étiquette de
données) insérées dans le modèle.
C- Détermination d'une valeur appartenant au monde continu (valeurs réelles à virgule
flottante) en fonction des données renseignées dans le modèle.
D- Changement d'échelle d'ensemble multidimensionnel et/ou d'un grand volume de
données.
Q11?
D'après le schéma descriptif des modèles/outils employé en tant que Machine
Learning sur le site :
https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
Parmi les pseudos définitions suivantes, laquelle décrit le mieux le concept de
"classification" ?
A- Segmentation ou partitionnement d'un ensemble de données selon une
caractéristique fondamentale de type proximité physique ou sémantique.
B- Séparation d'ensemble de données selon une des caractéristiques (étiquette de
données) insérées dans le modèle.
C- Détermination d'une valeur appartenant au monde continu (valeurs réelles à virgule
flottante) en fonction des données renseignées dans le modèle.
D- Changement d'échelle d'ensemble multidimensionnel et/ou d'un grand volume de
données.
Q12?
D'après le schéma descriptif des modèles/outils employé en tant que Machine
Learning sur le site :
https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
Parmi les pseudos définitions suivantes, laquelle décrit le mieux le concept de
"dimensionaly reduction" ?
A- Segmentation ou partitionnement d'un ensemble de données selon une
caractéristique fondamentale de type proximité physique ou sémantique.
B- Séparation d'ensemble de données selon une des caractéristiques (étiquette de
données) insérées dans le modèle.
C- Détermination d'une valeur appartenant au monde continu (valeurs réelles à
virgule flottante) en fonction des données renseignées dans le modèle.
D- Changement d'échelle d'ensemble multidimensionnel et/ou d'un grand volume de
données.
Q13?
D'après le schéma descriptif des modèles/outils employé en tant que Machine
Learning sur le site :
https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
Parmi les pseudos définitions suivantes, laquelle décrit le mieux le concept de
"régression" ?
A- Segmentation ou partitionnement d'un ensemble de données selon une
caractéristique fondamentale de type proximité physique ou sémantique.
B- Séparation d'ensemble de données selon une des caractéristiques (étiquette de
données) insérées dans le modèle.
C- Détermination d'une valeur appartenant au monde continu (valeurs réelles à virgule
flottante) en fonction des données renseignées dans le modèle.
D- Changement d'échelle d'ensemble multidimensionnel et/ou d'un grand volume de
données.
Q14?
Un neurone est caractérisé par quoi ?
A- Plusieurs entrées avec des poids sur chacune d'elles y compris sur l’unique sortie
B- Valeur des poids strictement positif
C- Fonction de somme des signaux d'entrées dans le neurone
D- Plusieurs sorties du neurone
E- Fonction de transfert linéaire vers la sortie du neurone
F- Fonction scalaire des signaux d'entrées dans le neurone
G- Potentiel du neurone en sortie du neurone
H- Potentiel du neurone entre la sortie de la fonction de somme et l'entrée de la fonction
de transfert
Q15?
Quelle différence existe-t-il entre un modèle d'apprentissage supervisé et un modèle
d'apprentissage non supervisé ?
A- Dans un modèle non supervisé, les données attendues en sortie sont connues.
B- Dans un modèle supervisé, les données attendues en sortie sont inconnues.
C- Dans un modèle supervisé, les données attendues en sortie ne sont pas connues.
D- Dans un modèle non supervisé, les données attendues en sortie ne sont pas
connues.
Q16?
Quelle matrice 3x3 de filtrage correspond à une détection des horizontales dans un
réseau neuronal à convolution ?
A-
0 1 0
1 1 1
0 1 0
B-
1 0 1
0 1 0
1 0 1
C-
0 0 1
0 1 0
1 0 0
D-
1 1 1
0 0 0
1 1 1
E-
0 1 0
0 1 0
6
1
/
6
100%
