QCM : Fondamentaux et Statistiques

1 Introduction

Ce questionnaire a pour but d’évaluer votre compréhension des concepts fondamentaux qui sous-tendent l’analyse de données et le Machine Learning. Pour chaque question, cochez la case correspondant à la réponse que vous estimez la plus correcte.

2 Questions

2.1 Partie 1 : Fondamentaux des Statistiques Inférentielles

Cette section porte sur les concepts clés qui nous permettent de tirer des conclusions sur une population à partir d’un échantillon.

Question 1

Quelle est la principale différence entre les statistiques descriptives et les statistiques inférentielles ?

1. Les statistiques descriptives utilisent des graphiques, tandis que les statistiques inférentielles utilisent des tableaux.
2. Les statistiques descriptives résument les caractéristiques d’un échantillon, tandis que les statistiques inférentielles cherchent à tirer des conclusions sur une population à partir de cet échantillon.
3. Les statistiques descriptives ne s’appliquent qu’aux petites données, tandis que les statistiques inférentielles s’appliquent au Big Data.
4. Les statistiques descriptives sont utilisées en Python, et les statistiques inférentielles en R.

Question 2

Dans un test d’hypothèse, qu’est-ce que la p-value représente ?

1. La probabilité que l’hypothèse nulle (H 0 ​ ) soit vraie.
2. La probabilité que l’hypothèse alternative (H 1 ​ ) soit vraie.
3. La probabilité d’observer des données au moins aussi extrêmes que celles que nous avons, en supposant que l’hypothèse nulle (H 0 ​ ) est vraie.
4. La taille de l’erreur dans notre modèle.

Question 3

Quel est le message principal du Théorème Central Limite (TCL) ?

1. Toutes les données finissent par suivre une loi normale si on attend assez longtemps.
2. La moyenne d’un échantillon est toujours égale à la moyenne de la population.
3. Pour des échantillons suffisamment grands, la distribution des moyennes d’échantillon sera approximativement normale, quelle que soit la distribution de la population d’origine.
4. La variance d’un échantillon diminue toujours quand sa taille augmente.

Question 4

Vous réalisez un test statistique et obtenez une p-value de 0.03. Si votre seuil de significativité (alpha) est de 0.05, quelle est la conclusion correcte ?

1. On ne peut pas rejeter l’hypothèse nulle (H 0 ​ ).
2. On rejette l’hypothèse nulle (H 0 ​ ) en faveur de l’hypothèse alternative (H 1 ​ ).
3. Le test n’est pas concluant et doit être refait.
4. L’hypothèse nulle (H 0 ​ ) est prouvée comme étant fausse.

Question 5

Qu’est-ce qu’une “Erreur de Type I” dans un test d’hypothèse ?

1. Accepter l’hypothèse nulle (H 0 ​ ) alors qu’elle est fausse.
2. Rejeter l’hypothèse nulle (H 0 ​ ) alors qu’elle est vraie.
3. Utiliser le mauvais test statistique pour les données.
4. Obtenir une p-value supérieure à 0.05.

Question 6

En statistiques, qu’est-ce qui différencie un “paramètre” d’une “statistique” ?

1. Un paramètre est calculé sur un échantillon, une statistique sur une population.
2. Un paramètre est une caractéristique numérique d’une population (souvent inconnue), tandis qu’une statistique est calculée à partir d’un échantillon.
3. Un paramètre est toujours une moyenne, tandis qu’une statistique peut être une médiane.
4. Il n’y a pas de différence, les deux termes sont interchangeables.

Question 7

Qu’est-ce que l’“Erreur Type” (Standard Error) d’une moyenne d’échantillon ?

1. L’erreur maximale que le modèle peut commettre.
2. L’écart-type de la population d’origine.
3. L’écart-type de la distribution d’échantillonnage de la moyenne.
4. La différence entre la moyenne de l’échantillon et la vraie moyenne de la population.

Question 8

Que représente un intervalle de confiance à 95% pour une moyenne ?

1. Il y a 95% de chances que la vraie moyenne de la population se trouve dans cet intervalle spécifique.
2. Si nous répétions l’expérience un grand nombre de fois, 95% des intervalles de confiance calculés contiendraient la vraie moyenne de la population.
3. 95% des données de notre échantillon se trouvent dans cet intervalle.
4. Le modèle est correct à 95%.

Question 9

Le seuil de significativité (alpha), souvent fixé à 0.05, représente :

1. La probabilité que le modèle soit correct.
2. La probabilité maximale acceptable de commettre une Erreur de Type II.
3. La probabilité maximale acceptable de commettre une Erreur de Type I.
4. La proportion de variance expliquée par le modèle.

Question 10

Un chercheur souhaite étudier les habitudes des étudiants de son université. Il interroge uniquement les étudiants présents à la bibliothèque un lundi matin. De quel type de biais d’échantillonnage s’agit-il principalement ?

1. Biais de confirmation.
2. Biais de sélection (ou échantillon de convenance).
3. Biais de survie.
4. Il n’y a pas de biais, c’est un échantillon aléatoire.

2.2 Partie 2 : Fondamentaux du Machine Learning

Cette section évalue votre compréhension des concepts de base et des bonnes pratiques en Machine Learning.

Question 1

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

1. L’apprentissage supervisé est plus difficile que le non supervisé.
2. L’apprentissage supervisé utilise des données étiquetées (avec une cible y), tandis que le non supervisé travaille sur des données non étiquetées.
3. L’apprentissage supervisé est utilisé pour la régression, et le non supervisé pour la classification.
4. L’apprentissage supervisé nécessite un Pipeline, ce qui n’est pas le cas pour le non supervisé.

Question 2

À quoi sert principalement la division d’un jeu de données en un ensemble d’entraînement (train set) et un ensemble de test (test set) ?

1. À accélérer l’entraînement du modèle en utilisant moins de données.
2. À évaluer honnêtement la capacité du modèle à généraliser sur de nouvelles données qu’il n’a jamais vues.
3. À avoir une sauvegarde des données au cas où le jeu d’entraînement serait corrompu.
4. À entraîner deux modèles différents en parallèle.

Question 3

En Machine Learning, que signifie le terme “surapprentissage” (overfitting) ?

1. Un modèle qui s’entraîne trop longtemps.
2. Un modèle qui est excellent sur les données d’entraînement mais qui a de mauvaises performances sur de nouvelles données.
3. Un modèle qui utilise trop de mémoire vive (RAM).
4. Un modèle qui donne des résultats trop bons pour être vrais.

Question 4

Quel est le principal avantage d’utiliser un Pipeline Scikit-learn dans un projet de Machine Learning ?

1. Il rend les graphiques de visualisation plus jolis.
2. Il garantit que le modèle aura une performance d’au moins 90%.
3. Il automatise l’enchaînement des étapes de pré-traitement et de modélisation, et prévient les fuites de données (data leakage).
4. Il choisit automatiquement le meilleur algorithme pour le problème.

Question 5

En apprentissage supervisé, quelle est la différence entre un problème de régression et un problème de classification ?

1. La régression utilise des données numériques, la classification des données textuelles.
2. La régression prédit une valeur continue, tandis que la classification prédit une étiquette de catégorie.
3. La régression est non supervisée, la classification est supervisée.
4. La régression utilise des arbres de décision, la classification utilise des régressions logistiques.

Question 6

Qu’est-ce qu’un “hyperparamètre” dans un modèle de Machine Learning ?

1. Un coefficient du modèle qui est appris pendant l’entraînement (comme les β d’une régression).
2. Un paramètre qui est défini par l’utilisateur avant l’entraînement pour guider le processus d’apprentissage (comme le k dans k-NN).
3. Une mesure de la performance du modèle, comme le R².
4. Une variable explicative particulièrement importante.

Question 7

Quel est le but principal de la validation croisée (Cross-Validation) ?

1. Entraîner le modèle plus rapidement.
2. Vérifier que les données ne contiennent pas d’erreurs.
3. Obtenir une estimation plus robuste et plus fiable de la performance du modèle en le formant et en le testant sur différentes parties des données.
4. Remplacer la nécessité d’avoir un ensemble de test.

Question 8

Pourquoi la mise à l’échelle des données (Feature Scaling) est-elle cruciale pour des algorithmes comme k-NN ou les SVM ?

1. Pour que toutes les données tiennent en mémoire.
2. Pour rendre les données plus faciles à visualiser.
3. Pour que les variables avec de grandes échelles (ex: salaire) ne dominent pas le calcul des distances par rapport aux variables avec de petites échelles (ex: âge).
4. Ce n’est pas crucial, c’est une optimisation optionnelle.

Question 9

Quel est le rôle d’une fonction de perte (loss function) pendant l’entraînement d’un modèle ?

1. Mesurer la performance finale du modèle sur le jeu de test.
2. Quantifier l’erreur du modèle sur les données d’entraînement pour que l’algorithme d’optimisation puisse la minimiser.
3. Décider si une variable doit être incluse dans le modèle ou non.
4. Calculer le nombre d’observations à mettre dans le jeu de test.

Question 10

En quoi consiste le “Feature Engineering” ?

1. Choisir le bon algorithme de Machine Learning.
2. Sélectionner les meilleures visualisations pour un rapport.
3. Le processus de création de nouvelles variables explicatives (features) à partir des variables existantes pour améliorer la performance du modèle.
4. L’ajustement des hyperparamètres d’un modèle.