diff --git a/.gitignore b/.gitignore index a80a15e3..51f47a5a 100644 --- a/.gitignore +++ b/.gitignore @@ -33,6 +33,8 @@ bld/ # Visual Studio 2015/2017 cache/options directory .vs/ +# Visual Studio Code cache/options directory +.vscode/ # Uncomment if you have tasks that create the project's static files in wwwroot #wwwroot/ diff --git a/1-Introduction/1-intro-to-ML/translations/README.fr.md b/1-Introduction/1-intro-to-ML/translations/README.fr.md index 0d07a5e8..d8915f58 100644 --- a/1-Introduction/1-intro-to-ML/translations/README.fr.md +++ b/1-Introduction/1-intro-to-ML/translations/README.fr.md @@ -4,7 +4,7 @@ > 🎥 Cliquer sur l'image ci-dessus afin de regarder une vidéo expliquant la différence entre machine learning, AI et deep learning. -## [Quiz préalable](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/1/) +## [Quiz préalable](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/1?loc=fr) ### Introduction @@ -98,7 +98,7 @@ Dans un avenir proche, comprendre les bases du machine learning sera indispensab Esquisser, sur papier ou à l'aide d'une application en ligne comme [Excalidraw](https://excalidraw.com/), votre compréhension des différences entre l'IA, le ML, le deep learning et la data science. Ajouter quelques idées de problèmes que chacune de ces techniques est bonne à résoudre. -## [Quiz de validation des connaissances](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/2/) +## [Quiz de validation des connaissances](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/2?loc=fr) ## Révision et auto-apprentissage diff --git a/1-Introduction/1-intro-to-ML/translations/README.ja.md b/1-Introduction/1-intro-to-ML/translations/README.ja.md index aded0f7e..ada00550 100644 --- a/1-Introduction/1-intro-to-ML/translations/README.ja.md +++ b/1-Introduction/1-intro-to-ML/translations/README.ja.md @@ -98,8 +98,8 @@ AI、ML、深層学習、データサイエンスの違いについて理解し ## 振り返りと自習 -クラウド上でMLアルゴリズムをどのように扱うことができるかについては、この[ラーニングパス](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-15963-cxa)に従ってください。. +クラウド上でMLアルゴリズムをどのように扱うことができるかについては、この[ラーニングパス](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-15963-cxa)に従ってください。 ## 課題 -[起動し、実行してください。](assignment.md) +[稼働させる](assignment.ja.md) diff --git a/1-Introduction/1-intro-to-ML/translations/assignment.ja.md b/1-Introduction/1-intro-to-ML/translations/assignment.ja.md new file mode 100644 index 00000000..9c86969c --- /dev/null +++ b/1-Introduction/1-intro-to-ML/translations/assignment.ja.md @@ -0,0 +1,9 @@ +# 稼働させる + +## 指示 + +この評価のない課題では、Pythonについて復習し、環境を稼働させてノートブックを実行できるようにする必要があります。 + +この[Pythonラーニングパス](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-15963-cxa)を受講し、次の入門用ビデオに従ってシステムをセットアップしてください。 + +https://www.youtube.com/playlist?list=PLlrxD0HtieHhS8VzuMCfQD4uJ9yne1mE6 diff --git a/1-Introduction/2-history-of-ML/translations/README.fr.md b/1-Introduction/2-history-of-ML/translations/README.fr.md index 66132162..9c59eb6f 100644 --- a/1-Introduction/2-history-of-ML/translations/README.fr.md +++ b/1-Introduction/2-history-of-ML/translations/README.fr.md @@ -3,7 +3,7 @@ ![Résumé de l'histoire du machine learning dans un sketchnote](../../../sketchnotes/ml-history.png) > Sketchnote de [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Quizz préalable](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/3/) +## [Quizz préalable](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/3?loc=fr) Dans cette leçon, nous allons parcourir les principales étapes de l'histoire du machine learning et de l'intelligence artificielle. @@ -102,7 +102,7 @@ Reste à savoir ce que l'avenir nous réserve, mais il est important de comprend Plongez dans l'un de ces moments historiques et apprenez-en plus sur les personnes derrière ceux-ci. Il y a des personnalités fascinantes, et aucune découverte scientifique n'a jamais été créée avec un vide culturel. Que découvrez-vous ? -## [Quiz de validation des connaissances](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/4/) +## [Quiz de validation des connaissances](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/4?loc=fr) ## Révision et auto-apprentissage diff --git a/1-Introduction/translations/README.fr.md b/1-Introduction/translations/README.fr.md index c27f9bef..462dea70 100644 --- a/1-Introduction/translations/README.fr.md +++ b/1-Introduction/translations/README.fr.md @@ -7,10 +7,10 @@ Dans cette section du programme, vous découvrirez les concepts de base sous-jac ### Leçons -1. [Introduction au machine learning](1-intro-to-ML/README.md) -1. [L’histoire du machine learning et de l’IA](2-history-of-ML/README.md) -1. [Équité et machine learning](3-équité/README.md) -1. [Techniques de machine learning](4-techniques-of-ML/README.md) +1. [Introduction au machine learning](../1-intro-to-ML/translations/README.fr.md) +1. [L’histoire du machine learning et de l’IA](../2-history-of-ML/translations/README.fr.md) +1. [Équité et machine learning](../3-fairness/translations/README.fr.md) +1. [Techniques de machine learning](../4-techniques-of-ML/translations/README.fr.md) ### Crédits "Introduction au machine learning" a été écrit avec ♥️ par une équipe de personnes comprenant [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan), [Ornella Altunyan](https://twitter.com/ornelladotcom) et [Jen Looper](https://twitter.com/jenlooper) diff --git a/2-Regression/1-Tools/translations/assignment.zh-cn.md b/2-Regression/1-Tools/translations/assignment.zh-cn.md new file mode 100644 index 00000000..c296c8ca --- /dev/null +++ b/2-Regression/1-Tools/translations/assignment.zh-cn.md @@ -0,0 +1,14 @@ +# 用 Scikit-learn 实现一次回归算法 + +## 说明 + +先看看 Scikit-learn 中的 [Linnerud 数据集](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_linnerud.html#sklearn.datasets.load_linnerud) +这个数据集中有多个[目标变量（target）](https://scikit-learn.org/stable/datasets/toy_dataset.html#linnerrud-dataset)，其中包含了三种运动（训练数据）和三个生理指标（目标变量）组成，这些数据都是从一个健身俱乐部中的20名中年男子收集到的。 + +之后用自己的方式，创建一个可以描述腰围和完成仰卧起坐个数关系的回归模型。用同样的方式对这个数据集中的其它数据也建立一下模型探究一下其中的关系。 + +## 评判标准 + +| 标准 | 优秀 | 中规中矩 | 仍需努力 | +| ------------------------------ | ----------------------------------- | ----------------------------- | -------------------------- | +| 需要提交一段能描述数据集中关系的文字 | 很好的描述了数据集中的关系 | 只能描述少部分的关系 | 啥都没有提交 | diff --git a/2-Regression/2-Data/translations/assignment.zh-cn.md b/2-Regression/2-Data/translations/assignment.zh-cn.md new file mode 100644 index 00000000..e9c0f1c2 --- /dev/null +++ b/2-Regression/2-Data/translations/assignment.zh-cn.md @@ -0,0 +1,9 @@ +# 探索数据可视化 + +有好几个库都可以进行数据可视化。用 matplotlib 和 seaborn 对本课中涉及的 Pumpkin 数据集创建一些数据可视化的图标。并思考哪个库更容易使用？ + +## 评判标准 + +| 标准 | 优秀 | 中规中矩 | 仍需努力 | +| -------- | --------- | -------- | ----------------- | +| | 提交了含有两种探索可视化方法的notebook工程文件 | 提交了只包含有一种探索可视化方法的notebook工程文件 | 没提交 notebook 工程文件 | diff --git a/2-Regression/3-Linear/translations/assignment.zh-cn.md b/2-Regression/3-Linear/translations/assignment.zh-cn.md new file mode 100644 index 00000000..e9c476c3 --- /dev/null +++ b/2-Regression/3-Linear/translations/assignment.zh-cn.md @@ -0,0 +1,12 @@ +# 创建自己的回归模型 + +## 说明 + +在这节课中你学到了如何用线性回归和多项式回归建立一个模型。利用这些只是，找到一个你感兴趣的数据集或者是 Scikit-learn 内置的数据集来建立一个全新的模型。用你的 notebook 来解释为什么用了这种技术来对这个数据集进行建模，并且证明出你的模型的准确度。如果它没你想象中准确，请思考一下并解释一下原因。 + +## 评判标准 + +| 标准 | 优秀 | 中规中矩 | 仍需努力 | +| -------- | ------------------------------------------------------------ | -------------------------- | ------------------------------- | +| | 提交了一个完整的 notebook 工程文件，其中包含了解集，并且可读性良好 | 不完整的解集 | 解集是有缺陷或者有错误的 | + diff --git a/2-Regression/4-Logistic/translations/assignment.zh-cn.md b/2-Regression/4-Logistic/translations/assignment.zh-cn.md new file mode 100644 index 00000000..8dc55af3 --- /dev/null +++ b/2-Regression/4-Logistic/translations/assignment.zh-cn.md @@ -0,0 +1,11 @@ +# 再探回归模型 + +## 说明 + +在这节课中，你使用了 pumpkin 数据集的子集。现在，让我们回到原始数据，并尝试使用所有数据。经过了数据清理和标准化，建立一个逻辑回归模型。 + +## 评判标准 + +| 标准 | 优秀 | 中规中矩 | 仍需努力 | +| -------- | ----------------------------------------------------------------------- | ------------------------------------------------------------ | ----------------------------------------------------------- | +| | 用notebook呈现了一个解释性和性能良好的模型 | 用notebook呈现了一个性能一般的模型 | 用notebook呈现了一个性能差的模型或根本没有模型 | diff --git a/4-Classification/1-Introduction/README.md b/4-Classification/1-Introduction/README.md index 4490131c..4a337376 100644 --- a/4-Classification/1-Introduction/README.md +++ b/4-Classification/1-Introduction/README.md @@ -163,7 +163,7 @@ Now you can dig deeper into the data and learn what are the typical ingredients def create_ingredient_df(df): ingredient_df = df.T.drop(['cuisine','Unnamed: 0']).sum(axis=1).to_frame('value') ingredient_df = ingredient_df[(ingredient_df.T != 0).any()] - ingredient_df = ingredient_df.sort_values(by='value', ascending=False + ingredient_df = ingredient_df.sort_values(by='value', ascending=False, inplace=False) return ingredient_df ``` @@ -275,7 +275,7 @@ Now that you have cleaned the data, use [SMOTE](https://imbalanced-learn.org/dev ```python transformed_df.head() transformed_df.info() - transformed_df.to_csv("../data/cleaned_cuisine.csv") + transformed_df.to_csv("../data/cleaned_cuisines.csv") ``` This fresh CSV can now be found in the root data folder. diff --git a/4-Classification/1-Introduction/solution/notebook.ipynb b/4-Classification/1-Introduction/solution/notebook.ipynb index c5b8c629..5abb9693 100644 --- a/4-Classification/1-Introduction/solution/notebook.ipynb +++ b/4-Classification/1-Introduction/solution/notebook.ipynb @@ -622,7 +622,7 @@ "metadata": {}, "outputs": [], "source": [ - "transformed_df.to_csv(\"../../data/cleaned_cuisine.csv\")" + "transformed_df.to_csv(\"../../data/cleaned_cuisines.csv\")" ] }, { diff --git a/4-Classification/1-Introduction/translations/README.tr.md b/4-Classification/1-Introduction/translations/README.tr.md index 4b8c2c90..cba29546 100644 --- a/4-Classification/1-Introduction/translations/README.tr.md +++ b/4-Classification/1-Introduction/translations/README.tr.md @@ -275,7 +275,8 @@ Veriyi temizlediniz, şimdi [SMOTE](https://imbalanced-learn.org/dev/references/ ```python transformed_df.head() transformed_df.info() - transformed_df.to_csv("../data/cleaned_cuisine.csv") + transformed_df.to_csv("../../data/cleaned_cuisines.csv") + ``` Bu yeni CSV şimdi kök data (veri) klasöründe görülebilir. diff --git a/4-Classification/1-Introduction/translations/README.zh-cn.md b/4-Classification/1-Introduction/translations/README.zh-cn.md index 2e258f3f..adef7c8a 100644 --- a/4-Classification/1-Introduction/translations/README.zh-cn.md +++ b/4-Classification/1-Introduction/translations/README.zh-cn.md @@ -269,7 +269,7 @@ Scikit-learn项目提供多种对数据进行分类的算法，你需要根据 ```python transformed_df.head() transformed_df.info() - transformed_df.to_csv("../data/cleaned_cuisine.csv") + transformed_df.to_csv("../data/cleaned_cuisines.csv") ``` 这个全新的CSV文件可以在数据根目录中被找到。 diff --git a/4-Classification/2-Classifiers-1/README.md b/4-Classification/2-Classifiers-1/README.md index 0db1aeba..c6b35219 100644 --- a/4-Classification/2-Classifiers-1/README.md +++ b/4-Classification/2-Classifiers-1/README.md @@ -15,7 +15,7 @@ Assuming you completed [Lesson 1](../1-Introduction/README.md), make sure that a ```python import pandas as pd - cuisines_df = pd.read_csv("../../data/cleaned_cuisine.csv") + cuisines_df = pd.read_csv("../../data/cleaned_cuisines.csv") cuisines_df.head() ``` @@ -67,13 +67,13 @@ Assuming you completed [Lesson 1](../1-Introduction/README.md), make sure that a Your features look like this: -| almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | -| -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | -| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -| 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -| 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -| 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -| 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | +| | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | +| -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | -----: | +| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | +| 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | +| 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | +| 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | +| 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | Now you are ready to train your model! diff --git a/4-Classification/2-Classifiers-1/solution/notebook.ipynb b/4-Classification/2-Classifiers-1/solution/notebook.ipynb index a819dbe5..770ac85c 100644 --- a/4-Classification/2-Classifiers-1/solution/notebook.ipynb +++ b/4-Classification/2-Classifiers-1/solution/notebook.ipynb @@ -47,7 +47,7 @@ ], "source": [ "import pandas as pd\n", - "cuisines_df = pd.read_csv(\"../../data/cleaned_cuisine.csv\")\n", + "cuisines_df = pd.read_csv(\"../../data/cleaned_cuisines.csv\")\n", "cuisines_df.head()" ] }, diff --git a/4-Classification/3-Classifiers-2/README.md b/4-Classification/3-Classifiers-2/README.md index dd25926e..9720c763 100644 --- a/4-Classification/3-Classifiers-2/README.md +++ b/4-Classification/3-Classifiers-2/README.md @@ -6,7 +6,7 @@ In this second classification lesson, you will explore more ways to classify num ### Prerequisite -We assume that you have completed the previous lessons and have a cleaned dataset in your `data` folder called _cleaned_cuisine.csv_ in the root of this 4-lesson folder. +We assume that you have completed the previous lessons and have a cleaned dataset in your `data` folder called _cleaned_cuisines.csv_ in the root of this 4-lesson folder. ### Preparation diff --git a/4-Classification/3-Classifiers-2/notebook.ipynb b/4-Classification/3-Classifiers-2/notebook.ipynb index f4dec474..4659a7b6 100644 --- a/4-Classification/3-Classifiers-2/notebook.ipynb +++ b/4-Classification/3-Classifiers-2/notebook.ipynb @@ -47,7 +47,7 @@ ], "source": [ "import pandas as pd\n", - "cuisines_df = pd.read_csv(\"../data/cleaned_cuisine.csv\")\n", + "cuisines_df = pd.read_csv(\"../data/cleaned_cuisines.csv\")\n", "cuisines_df.head()" ] }, diff --git a/4-Classification/3-Classifiers-2/solution/notebook.ipynb b/4-Classification/3-Classifiers-2/solution/notebook.ipynb index d953c603..a089b21f 100644 --- a/4-Classification/3-Classifiers-2/solution/notebook.ipynb +++ b/4-Classification/3-Classifiers-2/solution/notebook.ipynb @@ -47,7 +47,7 @@ ], "source": [ "import pandas as pd\n", - "cuisines_df = pd.read_csv(\"../../data/cleaned_cuisine.csv\")\n", + "cuisines_df = pd.read_csv(\"../../data/cleaned_cuisines.csv\")\n", "cuisines_df.head()" ] }, diff --git a/4-Classification/4-Applied/README.md b/4-Classification/4-Applied/README.md index 773271a1..1f3573c2 100644 --- a/4-Classification/4-Applied/README.md +++ b/4-Classification/4-Applied/README.md @@ -40,7 +40,7 @@ First, train a classification model using the cleaned cuisines dataset we used. 1. Then, work with your data in the same way you did in previous lessons, by reading a CSV file using `read_csv()`: ```python - data = pd.read_csv('../data/cleaned_cuisine.csv') + data = pd.read_csv('../data/cleaned_cuisines.csv') data.head() ``` diff --git a/4-Classification/4-Applied/solution/notebook.ipynb b/4-Classification/4-Applied/solution/notebook.ipynb index 5ed9da52..b388d2ca 100644 --- a/4-Classification/4-Applied/solution/notebook.ipynb +++ b/4-Classification/4-Applied/solution/notebook.ipynb @@ -115,7 +115,7 @@ } ], "source": [ - "data = pd.read_csv('../../data/cleaned_cuisine.csv')\n", + "data = pd.read_csv('../../data/cleaned_cuisines.csv')\n", "data.head()" ] }, diff --git a/4-Classification/data/cleaned_cuisine.csv b/4-Classification/data/cleaned_cuisines.csv similarity index 100% rename from 4-Classification/data/cleaned_cuisine.csv rename to 4-Classification/data/cleaned_cuisines.csv diff --git a/package.json b/package.json index b64c6bf1..3b5c347c 100644 --- a/package.json +++ b/package.json @@ -4,8 +4,8 @@ "description": "Machine Learning for Beginners - A Curriculum", "main": "index.js", "scripts": { - "convert": "node_modules/.bin/docsify-to-pdf" - }, + "convert": "node_modules/.bin/docsify-to-pdf" + }, "repository": { "type": "git", "url": "git+https://github.com/microsoft/ML-For-Beginners.git" diff --git a/quiz-app/package-lock.json b/quiz-app/package-lock.json index e9aebee3..8f51a0ba 100644 --- a/quiz-app/package-lock.json +++ b/quiz-app/package-lock.json @@ -1087,16 +1087,6 @@ "postcss": "^7.0.0" } }, - "@kazupon/vue-i18n-loader": { - "version": "0.5.0", - "resolved": "https://registry.npmjs.org/@kazupon/vue-i18n-loader/-/vue-i18n-loader-0.5.0.tgz", - "integrity": "sha512-Tp2mXKemf9/RBhI9CW14JjR9oKjL2KH7tV6S0eKEjIBuQBAOFNuPJu3ouacmz9hgoXbNp+nusw3MVQmxZWFR9g==", - "dev": true, - "requires": { - "js-yaml": "^3.13.1", - "json5": "^2.1.1" - } - }, "@mrmlnc/readdir-enhanced": { "version": "2.2.1", "resolved": "https://registry.npmjs.org/@mrmlnc/readdir-enhanced/-/readdir-enhanced-2.2.1.tgz", @@ -1720,6 +1710,16 @@ "integrity": "sha512-nQyp0o1/mNdbTO1PO6kHkwSrmgZ0MT/jCCpNiwbUjGoRN4dlBhqJtoQuCnEOKzgTVwg0ZWiCoQy6SxMebQVh8A==", "dev": true }, + "ansi-styles": { + "version": "4.3.0", + "resolved": "https://registry.npmjs.org/ansi-styles/-/ansi-styles-4.3.0.tgz", + "integrity": "sha512-zbB9rCJAT1rbjiVDb2hqKFHNYLxgtk8NURxZ3IZwD3F6NtxbXZQCnnSi1Lkx+IDohdPlFp222wVALIheZJQSEg==", + "dev": true, + "optional": true, + "requires": { + "color-convert": "^2.0.1" + } + }, "cacache": { "version": "13.0.1", "resolved": "https://registry.npmjs.org/cacache/-/cacache-13.0.1.tgz", @@ -1746,6 +1746,53 @@ "unique-filename": "^1.1.1" } }, + "chalk": { + "version": "4.1.1", + "resolved": "https://registry.npmjs.org/chalk/-/chalk-4.1.1.tgz", + "integrity": "sha512-diHzdDKxcU+bAsUboHLPEDQiw0qEe0qd7SYUn3HgcFlWgbDcfLGswOHYeGrHKzG9z6UYf01d9VFMfZxPM1xZSg==", + "dev": true, + "optional": true, + "requires": { + "ansi-styles": "^4.1.0", + "supports-color": "^7.1.0" + } + }, + "color-convert": { + "version": "2.0.1", + "resolved": "https://registry.npmjs.org/color-convert/-/color-convert-2.0.1.tgz", + "integrity": "sha512-RRECPsj7iu/xb5oKYcsFHSppFNnsj/52OVTRKb4zP5onXwVF3zVmmToNcOfGC+CRDpfK/U584fMg38ZHCaElKQ==", + "dev": true, + "optional": true, + "requires": { + "color-name": "~1.1.4" + } + }, + "color-name": { + "version": "1.1.4", + "resolved": "https://registry.npmjs.org/color-name/-/color-name-1.1.4.tgz", + "integrity": "sha512-dOy+3AuW3a2wNbZHIuMZpTcgjGuLU/uBL/ubcZF9OXbDo8ff4O8yVp5Bf0efS8uEoYo5q4Fx7dY9OgQGXgAsQA==", + "dev": true, + "optional": true + }, + "has-flag": { + "version": "4.0.0", + "resolved": "https://registry.npmjs.org/has-flag/-/has-flag-4.0.0.tgz", + "integrity": "sha512-EykJT/Q1KjTWctppgIAgfSO0tKVuZUjhgMr17kqTumMl6Afv3EISleU7qZUzoXDFTAHTDC4NOoG/ZxU3EvlMPQ==", + "dev": true, + "optional": true + }, + "loader-utils": { + "version": "2.0.0", + "resolved": "https://registry.npmjs.org/loader-utils/-/loader-utils-2.0.0.tgz", + "integrity": "sha512-rP4F0h2RaWSvPEkD7BLDFQnvSf+nK+wr3ESUjNTyAGobqrijmW92zc+SO6d4p4B1wh7+B/Jg1mkQe5NYUEHtHQ==", + "dev": true, + "optional": true, + "requires": { + "big.js": "^5.2.2", + "emojis-list": "^3.0.0", + "json5": "^2.1.2" + } + }, "source-map": { "version": "0.6.1", "resolved": "https://registry.npmjs.org/source-map/-/source-map-0.6.1.tgz", @@ -1762,6 +1809,16 @@ "minipass": "^3.1.1" } }, + "supports-color": { + "version": "7.2.0", + "resolved": "https://registry.npmjs.org/supports-color/-/supports-color-7.2.0.tgz", + "integrity": "sha512-qpCAvRl9stuOHveKsn7HncJRvv501qIacKzQlO/+Lwxc9+0q2wLyv4Dfvt80/DPn2pqOBsJdDiogXGR9+OvwRw==", + "dev": true, + "optional": true, + "requires": { + "has-flag": "^4.0.0" + } + }, "terser-webpack-plugin": { "version": "2.3.8", "resolved": "https://registry.npmjs.org/terser-webpack-plugin/-/terser-webpack-plugin-2.3.8.tgz", @@ -1778,6 +1835,18 @@ "terser": "^4.6.12", "webpack-sources": "^1.4.3" } + }, + "vue-loader-v16": { + "version": "npm:vue-loader@16.3.0", + "resolved": "https://registry.npmjs.org/vue-loader/-/vue-loader-16.3.0.tgz", + "integrity": "sha512-UDgni/tUVSdwHuQo+vuBmEgamWx88SuSlEb5fgdvHrlJSPB9qMBRF6W7bfPWSqDns425Gt1wxAUif+f+h/rWjg==", + "dev": true, + "optional": true, + "requires": { + "chalk": "^4.1.0", + "hash-sum": "^2.0.0", + "loader-utils": "^2.0.0" + } } } }, @@ -10953,87 +11022,6 @@ } } }, - "vue-loader-v16": { - "version": "npm:vue-loader@16.1.2", - "resolved": "https://registry.npmjs.org/vue-loader/-/vue-loader-16.1.2.tgz", - "integrity": "sha512-8QTxh+Fd+HB6fiL52iEVLKqE9N1JSlMXLR92Ijm6g8PZrwIxckgpqjPDWRP5TWxdiPaHR+alUWsnu1ShQOwt+Q==", - "dev": true, - "optional": true, - "requires": { - "chalk": "^4.1.0", - "hash-sum": "^2.0.0", - "loader-utils": "^2.0.0" - }, - "dependencies": { - "ansi-styles": { - "version": "4.3.0", - "resolved": "https://registry.npmjs.org/ansi-styles/-/ansi-styles-4.3.0.tgz", - "integrity": "sha512-zbB9rCJAT1rbjiVDb2hqKFHNYLxgtk8NURxZ3IZwD3F6NtxbXZQCnnSi1Lkx+IDohdPlFp222wVALIheZJQSEg==", - "dev": true, - "optional": true, - "requires": { - "color-convert": "^2.0.1" - } - }, - "chalk": { - "version": "4.1.0", - "resolved": "https://registry.npmjs.org/chalk/-/chalk-4.1.0.tgz", - "integrity": "sha512-qwx12AxXe2Q5xQ43Ac//I6v5aXTipYrSESdOgzrN+9XjgEpyjpKuvSGaN4qE93f7TQTlerQQ8S+EQ0EyDoVL1A==", - "dev": true, - "optional": true, - "requires": { - "ansi-styles": "^4.1.0", - "supports-color": "^7.1.0" - } - }, - "color-convert": { - "version": "2.0.1", - "resolved": "https://registry.npmjs.org/color-convert/-/color-convert-2.0.1.tgz", - "integrity": "sha512-RRECPsj7iu/xb5oKYcsFHSppFNnsj/52OVTRKb4zP5onXwVF3zVmmToNcOfGC+CRDpfK/U584fMg38ZHCaElKQ==", - "dev": true, - "optional": true, - "requires": { - "color-name": "~1.1.4" - } - }, - "color-name": { - "version": "1.1.4", - "resolved": "https://registry.npmjs.org/color-name/-/color-name-1.1.4.tgz", - "integrity": "sha512-dOy+3AuW3a2wNbZHIuMZpTcgjGuLU/uBL/ubcZF9OXbDo8ff4O8yVp5Bf0efS8uEoYo5q4Fx7dY9OgQGXgAsQA==", - "dev": true, - "optional": true - }, - "has-flag": { - "version": "4.0.0", - "resolved": "https://registry.npmjs.org/has-flag/-/has-flag-4.0.0.tgz", - "integrity": "sha512-EykJT/Q1KjTWctppgIAgfSO0tKVuZUjhgMr17kqTumMl6Afv3EISleU7qZUzoXDFTAHTDC4NOoG/ZxU3EvlMPQ==", - "dev": true, - "optional": true - }, - "loader-utils": { - "version": "2.0.0", - "resolved": "https://registry.npmjs.org/loader-utils/-/loader-utils-2.0.0.tgz", - "integrity": "sha512-rP4F0h2RaWSvPEkD7BLDFQnvSf+nK+wr3ESUjNTyAGobqrijmW92zc+SO6d4p4B1wh7+B/Jg1mkQe5NYUEHtHQ==", - "dev": true, - "optional": true, - "requires": { - "big.js": "^5.2.2", - "emojis-list": "^3.0.0", - "json5": "^2.1.2" - } - }, - "supports-color": { - "version": "7.2.0", - "resolved": "https://registry.npmjs.org/supports-color/-/supports-color-7.2.0.tgz", - "integrity": "sha512-qpCAvRl9stuOHveKsn7HncJRvv501qIacKzQlO/+Lwxc9+0q2wLyv4Dfvt80/DPn2pqOBsJdDiogXGR9+OvwRw==", - "dev": true, - "optional": true, - "requires": { - "has-flag": "^4.0.0" - } - } - } - }, "vue-router": { "version": "3.4.9", "resolved": "https://registry.npmjs.org/vue-router/-/vue-router-3.4.9.tgz", diff --git a/quiz-app/src/App.vue b/quiz-app/src/App.vue index 78482d49..6baabd0c 100644 --- a/quiz-app/src/App.vue +++ b/quiz-app/src/App.vue @@ -6,6 +6,7 @@
diff --git a/quiz-app/src/assets/translations/fr.json b/quiz-app/src/assets/translations/fr.json new file mode 100644 index 00000000..da0ee317 --- /dev/null +++ b/quiz-app/src/assets/translations/fr.json @@ -0,0 +1,2811 @@ +[ + { + "title": "Machine Learning pour les Débutants: Quiz", + "complete": "Félicitations, vous avez terminé le quiz!", + "error": "Désolé, essayez à nouveau", + "quizzes": [ + { + "id": 1, + "title": "Introduction au machine learning: Quiz préalable", + "quiz": [ + { + "questionText": "Les applications de machine learning sont toutes autour de nous", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle est la différence technique entre le ml classique et le deep learning?", + "answerOptions": [ + { + "answerText": "ML classique a été inventé en premier", + "isCorrect": "false" + }, + { + "answerText": "L'utilisation de réseaux de neurones", + "isCorrect": "true" + }, + { + "answerText": "Le deep learning est utilisé dans les robots", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Pourquoi une entreprise pourrait-elle vouloir utiliser des stratégies ML?", + "answerOptions": [ + { + "answerText": "Pour automatiser la résolution de problèmes multidimensionnels", + "isCorrect": "false" + }, + { + "answerText": "Pour personnaliser une expérience de magasinage basée sur le type de client", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 2, + "title": "Introduction au machine learning: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Les algorithmes de machine learning sont destinés à simuler", + "answerOptions": [ + { + "answerText": "Des machines intelligentes", + "isCorrect": "false" + }, + { + "answerText": "Le cerveau humain", + "isCorrect": "true" + }, + { + "answerText": "Des orangutans", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Qu'est-ce qu'un exemple de technique classique de ML?", + "answerOptions": [ + { + "answerText": "Le traitement des langues naturelles", + "isCorrect": "true" + }, + { + "answerText": "Le deep learning", + "isCorrect": "false" + }, + { + "answerText": "Des neural networks", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Pourquoi tout le monde devrait-il apprendre les bases du ML?", + "answerOptions": [ + { + "answerText": "L'apprentissage ml est amusant et accessible à tout le monde", + "isCorrect": "false" + }, + { + "answerText": "Les stratégies ML sont utilisées dans de nombreuses industries et domaines", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 3, + "title": "Historique du machine learning: Quiz préalable", + "quiz": [ + { + "questionText": "Quand approximativement le terme 'intelligence artificielle' a-t-il été inventé ?", + "answerOptions": [ + { + "answerText": "1980s", + "isCorrect": "false" + }, + { + "answerText": "années 1950", + "isCorrect": "true" + }, + { + "answerText": "années 1930", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Qui était l'un des premiers pionniers du machine learning?", + "answerOptions": [ + { + "answerText": "Alan Turing", + "isCorrect": "true" + }, + { + "answerText": "Bill Gates", + "isCorrect": "false" + }, + { + "answerText": "Shakey the Robot", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle est l'une des raisons pour lesquelles l'avancement de l'AI a ralenti dans les années 1970?", + "answerOptions": [ + { + "answerText": "Puissance de calcul limitée", + "isCorrect": "true" + }, + { + "answerText": "Pas assez d'ingénieurs qualifiés", + "isCorrect": "false" + }, + { + "answerText": "Conflits entre pays", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 4, + "title": "Historique du machine learning: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Qu'est-ce qu'un exemple de système d'IA \" Scruffy \" AI?", + "answerOptions": [ + { + "answerText": "ELIZA", + "isCorrect": "true" + }, + { + "answerText": "HACKML", + "isCorrect": "false" + }, + { + "answerText": "SSYSTEM", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quel est l'exemple d'une technologie qui a été développée pendant les « années d'or » ?", + "answerOptions": [ + { + "answerText": "Blocks World", + "isCorrect": "true" + }, + { + "answerText": "Jibo", + "isCorrect": "false" + }, + { + "answerText": "Robot Dogs", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quel événement était fondé sur la création et l'expansion du domaine de l'intelligence artificielle?", + "answerOptions": [ + { + "answerText": "Turing Test", + "isCorrect": "false" + }, + { + "answerText": "Projet de recherche d'été de Dartmouth", + "isCorrect": "true" + }, + { + "answerText": "AI Winter", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 5, + "title": "L'équité et le machine learning: Quiz préalable", + "quiz": [ + { + "questionText": "L'injustice dans le machine learning peut arriver", + "answerOptions": [ + { + "answerText": "Intentionnellement", + "isCorrect": "false" + }, + { + "answerText": "Involontairement", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Le terme \" injustice \" en ml connotes:", + "answerOptions": [ + { + "answerText": "Préjudices pour un groupe de personnees", + "isCorrect": "true" + }, + { + "answerText": "préjudice à une personne", + "isCorrect": "false" + }, + { + "answerText": "Préjudices pour la majorité des gens", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Les cinq principaux types de préjudices incluent", + "answerOptions": [ + { + "answerText": "Allocation, qualité de service, stéréotypage, dénigration et sous-représentation", + "isCorrect": "true" + }, + { + "answerText": "Elocation, qualité de service, stéréotypage, dénigration et sous-représentation", + "isCorrect": "false" + }, + { + "answerText": "Allocation, qualité de service, stéréophonie, dénigration et sous-représentation", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 6, + "title": "L'équité et le machine learning: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "L'injustice dans un modèle peut être causée par", + "answerOptions": [ + { + "answerText": "Dépendance excessive de données historiques", + "isCorrect": "true" + }, + { + "answerText": "sous-dépendance sur les données historiques", + "isCorrect": "false" + }, + { + "answerText": "Alignement trop étroit sur les données historiques", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Pour atténuer l'injustice, vous pouvez", + "answerOptions": [ + { + "answerText": "Identifier les préjudices et les groupes affectés", + "isCorrect": "false" + }, + { + "answerText": "Définir les métriques d'équité", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Fairlearn est un paquet qui peut", + "answerOptions": [ + { + "answerText": "Comparer plusieurs modèles en utilisant des métriques d'équité et de performance", + "isCorrect": "true" + }, + { + "answerText": "Choisissez le meilleur modèle pour vos besoins", + "isCorrect": "false" + }, + { + "answerText": "Vous aider à décider de ce qui est juste et ce qui ne l'est pas", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 7, + "title": "Outils et techniques: Quiz préalable", + "quiz": [ + { + "questionText": "Lors de la construction d'un modèle, vous devriez:", + "answerOptions": [ + { + "answerText": "Préparez vos données, puis formez votre modèle", + "isCorrect": "true" + }, + { + "answerText": "Choisissez une méthode de formation, puis préparez vos données", + "isCorrect": "false" + }, + { + "answerText": "Tune Paramètres, puis formez votre modèle", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Vos données ___ vont avoir une incidence sur la qualité de votre modèle ML", + "answerOptions": [ + { + "answerText": "Quantité", + "isCorrect": "false" + }, + { + "answerText": "Forme", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Une variable de fonctionnalité est la suivante:", + "answerOptions": [ + { + "answerText": "une qualité de vos données", + "isCorrect": "false" + }, + { + "answerText": "Une propriété mesurable de vos données", + "isCorrect": "true" + }, + { + "answerText": "Une ligne de vos données", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 8, + "title": "Outils et techniques: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Vous devez visualiser vos données car", + "answerOptions": [ + { + "answerText": "Vous pouvez découvrir des valeurs aberrantes", + "isCorrect": "false" + }, + { + "answerText": "Vous pouvez découvrir une cause potentielle de biais", + "isCorrect": "true" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Sélectionnez vos données en:", + "answerOptions": [ + { + "answerText": "Entraînement et ensembles de Turing", + "isCorrect": "false" + }, + { + "answerText": "Entraînement et ensembles de test", + "isCorrect": "true" + }, + { + "answerText": "Ensembles de validation et d'évaluation", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Une commande commune de démarrer le processus de formation dans diverses bibliothèques ML est la suivante:", + "answerOptions": [ + { + "answerText": "Model.travel", + "isCorrect": "false" + }, + { + "answerText": "Model.train", + "isCorrect": "false" + }, + { + "answerText": "Model.fit", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 9, + "title": "Introduction à la régression: Quiz préalable", + "quiz": [ + { + "questionText": "Laquelle de ces variables est une variable numérique?", + "answerOptions": [ + { + "answerText": "Hauteur", + "isCorrect": "true" + }, + { + "answerText": "Genre", + "isCorrect": "false" + }, + { + "answerText": "Couleur des cheveux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Laquelle de ces variables est une variable catégorique?", + "answerOptions": [ + { + "answerText": "rythme cardiaque", + "isCorrect": "false" + }, + { + "answerText": "Type de sang", + "isCorrect": "true" + }, + { + "answerText": "Poids", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Lequel de ces problèmes est un problème basé sur l'analyse de régression?", + "answerOptions": [ + { + "answerText": "Prédire les marques d'examen final d'un étudiant", + "isCorrect": "true" + }, + { + "answerText": "Prédire le type de sang d'une personne", + "isCorrect": "false" + }, + { + "answerText": "Prédire si un email est spam ou non", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 10, + "title": "Introduction à la régression: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Si la précision de la formation du modèle d'apprentissage de votre machine est de 95% et que la précision des tests est de 30%, quel type de condition est appelé?", + "answerOptions": [ + { + "answerText": "Surapprentissage", + "isCorrect": "true" + }, + { + "answerText": "Insuffisance", + "isCorrect": "false" + }, + { + "answerText": "Double ajustement", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Le processus d'identification des fonctionnalités significatives d'un ensemble de fonctionnalités est appelé:", + "answerOptions": [ + { + "answerText": "Extraction de fonctionnalités", + "isCorrect": "false" + }, + { + "answerText": "Réduction de la dimensionnalité de fonctionnalité", + "isCorrect": "false" + }, + { + "answerText": "Sélection de fonctionnalités", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Le processus de division d'un ensemble de données en un certain rapport d'ensemble de données d'entraînement et de test à l'aide de la méthode/fonction 'train_test_split ()' de Scikit Learn est appelé une:", + "answerOptions": [ + { + "answerText": "Validation croisée", + "isCorrect": "false" + }, + { + "answerText": "Validation d'attentn", + "isCorrect": "true" + }, + { + "answerText": "Validation \"Oubliez-en un\" ", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 11, + "title": "Préparer et visualiser des données pour la régression: Quiz préalable", + "quiz": [ + { + "questionText": "Lequel de ces modules Python est utilisé pour tracer la visualisation des données?", + "answerOptions": [ + { + "answerText": "Numpy", + "isCorrect": "false" + }, + { + "answerText": "Scikit-learn", + "isCorrect": "false" + }, + { + "answerText": "Matplotlib", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Si vous souhaitez comprendre la propagation ou les autres caractéristiques des points de données de votre ensemble de données, alors effectuez:", + "answerOptions": [ + { + "answerText": "Une visualisation des données", + "isCorrect": "true" + }, + { + "answerText": "Un pré-traitement des données", + "isCorrect": "false" + }, + { + "answerText": "Un Train Test Splitn", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Lequel d'entre eux fait partie de l'étape de visualisation des données dans un projet de machine learning?", + "answerOptions": [ + { + "answerText": "Intégrer un algorithme d'apprentissage de certains machines", + "isCorrect": "false" + }, + { + "answerText": "Créer une représentation picturale des données à l'aide de différentes méthodes de tracé", + "isCorrect": "true" + }, + { + "answerText": "Normaliser les valeurs d'un jeu de données", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 12, + "title": "Préparer et visualiser des données pour la régression: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Lequel de ces extraits de code est correct d'après cette leçon, si vous souhaitez vérifier la présence de valeurs manquantes dans votre ensemble de données ? Supposons que l'ensemble de données soit stocké dans une variable nommée \"ensemble de données\", qui est un objet Pandas DataFrame.", + "answerOptions": [ + { + "answerText": "dataset.isnull().sum()", + "isCorrect": "true" + }, + { + "answerText": "findMissing(dataset)", + "isCorrect": "false" + }, + { + "answerText": "sum(null(dataset))", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Laquelle de ces méthodes de traçage est utile lorsque vous souhaitez comprendre la propagation de différents groupes de fichiers de données de votre jeu de données?", + "answerOptions": [ + { + "answerText": "Nuage de pointsn", + "isCorrect": "false" + }, + { + "answerText": "Graphique linéaire", + "isCorrect": "false" + }, + { + "answerText": "Graphique à barres", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Que peut ne pas vous dire la visualisation des données?", + "answerOptions": [ + { + "answerText": "Relations entre DataPoints", + "isCorrect": "false" + }, + { + "answerText": "La source de l'endroit où le jeu de données est collecté", + "isCorrect": "true" + }, + { + "answerText": "Trouver la présence de valeurs aberrantes dans l'ensemble de données", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 13, + "title": "Régression linéaire et polynomiale: Quiz préalable", + "quiz": [ + { + "questionText": "Matplotlib est une", + "answerOptions": [ + { + "answerText": "Bibliothèque de dessin", + "isCorrect": "false" + }, + { + "answerText": "Bibliothèque de visualisation de données", + "isCorrect": "true" + }, + { + "answerText": "Bibliothèque de prêt", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La régression linéaire utilise ce qui suit pour tracer des relations entre variables", + "answerOptions": [ + { + "answerText": "Une ligne droite", + "isCorrect": "true" + }, + { + "answerText": "Un cercle", + "isCorrect": "false" + }, + { + "answerText": "Une courbe", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Un bon modèle de régression linéaire a un coefficient de corrélation ___", + "answerOptions": [ + { + "answerText": "Bas", + "isCorrect": "false" + }, + { + "answerText": "Elevé", + "isCorrect": "true" + }, + { + "answerText": "Plat", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 14, + "title": "Régression linéaire et polynomiale: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Si vos données sont non linéaires, essayez un type ___ de régression", + "answerOptions": [ + { + "answerText": "linéaire", + "isCorrect": "false" + }, + { + "answerText": "sphérique", + "isCorrect": "false" + }, + { + "answerText": "polynômial", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Ce sont tous types de méthodes de régression", + "answerOptions": [ + { + "answerText": "Falsestep, Ridge, Lasso et Elasticnet", + "isCorrect": "false" + }, + { + "answerText": "Stepwise, Ridge, Lasso et Elasticnet", + "isCorrect": "true" + }, + { + "answerText": "Stepwise, Ridge, Lariat et Elasticnet", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La régression des moindres carrés signifie que toutes les données de données entourant la ligne de régression sont:", + "answerOptions": [ + { + "answerText": "carré puis soustrait", + "isCorrect": "false" + }, + { + "answerText": "multiplié", + "isCorrect": "false" + }, + { + "answerText": "carré puis ajouté", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 15, + "title": "Régression logistique: Quiz préalable", + "quiz": [ + { + "questionText": "Utilisez la régression logistique à prédire", + "answerOptions": [ + { + "answerText": "Si une pomme est mûre ou non", + "isCorrect": "true" + }, + { + "answerText": "Combien de billets peuvent être vendus dans un mois", + "isCorrect": "false" + }, + { + "answerText": "De quelle couleur le ciel tournera demain à 18 heures", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Les types de régression logistique incluent", + "answerOptions": [ + { + "answerText": "multinomial et cardinal", + "isCorrect": "false" + }, + { + "answerText": "multinomial et ordinal", + "isCorrect": "true" + }, + { + "answerText": "Principal et ordinal", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Vos données ont des corrélations faibles. Le meilleur type de régression à utiliser est:", + "answerOptions": [ + { + "answerText": "Logistique", + "isCorrect": "true" + }, + { + "answerText": "linéaire", + "isCorrect": "false" + }, + { + "answerText": "cardinale", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 16, + "title": "Régression logistique: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Seaborn est un type de", + "answerOptions": [ + { + "answerText": "Bibliothèque de visualisation de données", + "isCorrect": "true" + }, + { + "answerText": "Bibliothèque de mappage", + "isCorrect": "false" + }, + { + "answerText": "Bibliothèque mathématique", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Une matrice de confusion est également connue sous le nom de:", + "answerOptions": [ + { + "answerText": "Matrice d'erreur", + "isCorrect": "true" + }, + { + "answerText": "Matrice de vérité", + "isCorrect": "false" + }, + { + "answerText": "Matrice de précision", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Un bon modèle aura:", + "answerOptions": [ + { + "answerText": "Un grand nombre de faux positifs et de vrais négatifs dans sa matrice de confusion", + "isCorrect": "false" + }, + { + "answerText": "Un grand nombre de vrais positifs et vrais négatifs dans sa matrice de confusion", + "isCorrect": "true" + }, + { + "answerText": "Un grand nombre de vrais positifs et de faux négatifs dans sa matrice de confusion", + "isCorrect": "false" + } + ] + } + ] + }, { + "id": 17, + "title": "Construire une application Web: Quiz préalable", + "quiz": [ + { + "questionText": "Qu'est-ce que ONNX signifie?", + "answerOptions": [ + { + "answerText": "Over Neural Network Exchange", + "isCorrect": "false" + }, + { + "answerText": "Open Neural Network Exchange", + "isCorrect": "true" + }, + { + "answerText": "Output Neural Network Exchange", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Comment Flask est-il défini par ses créateurs?", + "answerOptions": [ + { + "answerText": "mini-framework", + "isCorrect": "false" + }, + { + "answerText": "grand-framework", + "isCorrect": "false" + }, + { + "answerText": "micro-framework", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Que fait le module de cornichon de Python", + "answerOptions": [ + { + "answerText": "Serialiser un objet Python", + "isCorrect": "false" + }, + { + "answerText": "Dé-sérialiser un objet Python", + "isCorrect": "false" + }, + { + "answerText": "Sérialiser et Dé-sérialiser un objet Python", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 18, + "title": "Construire une application Web: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Quels sont les outils que nous pouvons utiliser pour héberger un modèle pré-formé sur le Web à l'aide de Python?", + "answerOptions": [ + { + "answerText": "Flask", + "isCorrect": "true" + }, + { + "answerText": "Tensorflow.js", + "isCorrect": "false" + }, + { + "answerText": "onnx.JS", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Qu'est-ce que SaaS signifie?", + "answerOptions": [ + { + "answerText": "Système en tant que service", + "isCorrect": "false" + }, + { + "answerText": "Logiciel en tant que service", + "isCorrect": "true" + }, + { + "answerText": "Sécurité en tant que service", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Qu'est-ce que la bibliothèque de labelencoder de Scikit-apprendre?", + "answerOptions": [ + { + "answerText": "Encode les données par ordre alphabétique", + "isCorrect": "true" + }, + { + "answerText": "Encode les données numériquement", + "isCorrect": "false" + }, + { + "answerText": "Encode des données en série", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 19, + "title": "Classification 1: Quiz préalable", + "quiz": [ + { + "questionText": "La classification est une forme d'apprentissage supervisé qui a beaucoup en commun avec", + "answerOptions": [ + { + "answerText": "Série chronologique", + "isCorrect": "false" + }, + { + "answerText": "Techniques de régression", + "isCorrect": "true" + }, + { + "answerText": "NLP", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle question peut aider la classification à répondre?", + "answerOptions": [ + { + "answerText": "Est-ce que ce courrier électronique ou pas?", + "isCorrect": "true" + }, + { + "answerText": "Les cochons peuvent voler?", + "isCorrect": "false" + }, + { + "answerText": "Quel est le sens de la vie?", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle est la première étape pour utiliser des techniques de classification?", + "answerOptions": [ + { + "answerText": "Création de cours d'un jeu de données", + "isCorrect": "false" + }, + { + "answerText": "Nettoyer et équilibrer vos données", + "isCorrect": "true" + }, + { + "answerText": "Affectation d'un point de données à un groupe ou à un résultat", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 20, + "title": "Classification 1: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Qu'est-ce qu'une question multiclasse?", + "answerOptions": [ + { + "answerText": "La tâche de classer les points de données dans plusieurs classes", + "isCorrect": "true" + }, + { + "answerText": "La tâche de classifier les points de données dans l'une des plusieurs classes", + "isCorrect": "true" + }, + { + "answerText": "La tâche de nettoyer les points de données de plusieurs manières", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Il est important de nettoyer des données récurrentes ou inutiles pour aider vos classificateurs à résoudre votre problème.", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle est la meilleure raison d'équilibrer vos données?", + "answerOptions": [ + { + "answerText": "Les données déséquilibrées ont l'air mauvais dans les visualisations", + "isCorrect": "false" + }, + { + "answerText": "L'équilibrage de vos données donne des résultats meilleurs, car un modèle ML n'enfraigne pas vers une classe", + "isCorrect": "true" + }, + { + "answerText": "L'équilibrage de vos données vous donne plus de points de données", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 21, + "title": "Classification 2: Quiz préalable", + "quiz": [ + { + "questionText": "Les données équilibrées et propres ont produit les meilleurs résultats de la classification", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Comment choisissez-vous le bon classificateur?", + "answerOptions": [ + { + "answerText": "Comprend quel classificateurs fonctionnent le mieux pour quels scénarios", + "isCorrect": "false" + }, + { + "answerText": "Devineuse éduquée et chèque", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "La classification est un type de", + "answerOptions": [ + { + "answerText": "NLP", + "isCorrect": "false" + }, + { + "answerText": "Apprentissage supervisé", + "isCorrect": "true" + }, + { + "answerText": "Langage de programmation", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 22, + "title": "Classification 2: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Qu'est-ce qu'un \"solveur\" ?", + "answerOptions": [ + { + "answerText": "La personne qui vérifie votre travail", + "isCorrect": "false" + }, + { + "answerText": "L'algorithme à utiliser dans le problème d'optimisation", + "isCorrect": "true" + }, + { + "answerText": "Une technique de machine learning", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quel classificateur avons-nous utilisé dans cette leçon?", + "answerOptions": [ + { + "answerText": "Régression logistique", + "isCorrect": "true" + }, + { + "answerText": "Arbres de décision", + "isCorrect": "false" + }, + { + "answerText": "Multiclasse un-contre-tous", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Comment savez-vous si l'algorithme de classification fonctionne comme prévu?", + "answerOptions": [ + { + "answerText": "En vérifiant la précision de ses prévisions", + "isCorrect": "true" + }, + { + "answerText": "En le contrôlant contre d'autres algorithmes", + "isCorrect": "false" + }, + { + "answerText": "En regardant des données historiques pour la qualité de cet algorithme de résoudre des problèmes similaires", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 23, + "title": "Classification 3: Quiz préalable", + "quiz": [ + { + "questionText": "Un bon classificateur initial à essayer est:", + "answerOptions": [ + { + "answerText": "SVC linéaire", + "isCorrect": "true" + }, + { + "answerText": "K-Means", + "isCorrect": "false" + }, + { + "answerText": "SVC logique", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Contrôles de régularisation:", + "answerOptions": [ + { + "answerText": "L'influence des paramètres", + "isCorrect": "true" + }, + { + "answerText": "L'influence de la vitesse de formation", + "isCorrect": "false" + }, + { + "answerText": "L'influence des valeurs aberrantes", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Le classificateur K-voisins peut être utilisé pour:", + "answerOptions": [ + { + "answerText": "Apprentissage supervisé", + "isCorrect": "false" + }, + { + "answerText": "L'apprentissage non supervisé", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 24, + "title": "Classification 3: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Les classificateurs de support-vectoriel peuvent être utilisés pour", + "answerOptions": [ + { + "answerText": "La classification", + "isCorrect": "false" + }, + { + "answerText": "La régression", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Forêt aléatoire est un type de classificateur ___", + "answerOptions": [ + { + "answerText": "Ensembliste", + "isCorrect": "true" + }, + { + "answerText": "Disensembliste", + "isCorrect": "false" + }, + { + "answerText": "Assembliste", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Adaboost est connu pour:", + "answerOptions": [ + { + "answerText": "Se concentrer sur les poids des éléments incorrectement classifiés", + "isCorrect": "true" + }, + { + "answerText": "Se concentrer sur des valeurs aberrantes", + "isCorrect": "false" + }, + { + "answerText": "Se concentrer sur des données incorrectes", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 25, + "title": "Classification 4: Quiz préalable", + "quiz": [ + { + "questionText": "Les systèmes de recommandation peuvent être utilisés pour", + "answerOptions": [ + { + "answerText": "Recommander un bon restaurant", + "isCorrect": "false" + }, + { + "answerText": "Recommander des modes à essayer", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "L'intégration d'un modèle dans une application Web l'aide à être compatible hors ligne", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Onnx Runtime peut être utilisé pour", + "answerOptions": [ + { + "answerText": "Exécution de modèles dans une application Web", + "isCorrect": "true" + }, + { + "answerText": "Modèles de formation", + "isCorrect": "false" + }, + { + "answerText": "Réglage des hyperparamètres", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 26, + "title": "Classification 4: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "L'application Netron vous aide:", + "answerOptions": [ + { + "answerText": "Visualiser les données", + "isCorrect": "false" + }, + { + "answerText": "Visualisez la structure de votre modèle", + "isCorrect": "true" + }, + { + "answerText": "Testez votre application Web", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Convertissez votre modèle Scikit-learnL pour une utilisation avec Onnx en utilisant:", + "answerOptions": [ + { + "answerText": "Sklearn-app", + "isCorrect": "false" + }, + { + "answerText": "Sklearn-web", + "isCorrect": "false" + }, + { + "answerText": "Sklearn-onnX", + "isCorrect": "true" + } + ] + }, + { + "questionText": "L'utilisation de votre modèle dans une application Web s'appelle:", + "answerOptions": [ + { + "answerText": "Inférence", + "isCorrect": "true" + }, + { + "answerText": "Interférence", + "isCorrect": "false" + }, + { + "answerText": "Assurance", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 27, + "title": "Introduction au Clustering (regroupement): Quiz préalable", + "quiz": [ + { + "questionText": "Un exemple de vie réel de regroupement serait", + "answerOptions": [ + { + "answerText": "Définir la table du dîner", + "isCorrect": "false" + }, + { + "answerText": "Tri du linge", + "isCorrect": "true" + }, + { + "answerText": "Shopping de l'épicerie", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Les techniques de clustering peuvent être utilisées dans ces industries", + "answerOptions": [ + { + "answerText": "Banking", + "isCorrect": "false" + }, + { + "answerText": "e-commerce", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La Clustering est un type :", + "answerOptions": [ + { + "answerText": "D'apprentissage supervisé", + "isCorrect": "false" + }, + { + "answerText": "D'apprentissage non supervisé", + "isCorrect": "true" + }, + { + "answerText": "D'apprentissage de renforcement", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 28, + "title": "Introduction au Clustering (regroupement): Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "La géométrie Euclidienne est disposée le long", + "answerOptions": [ + { + "answerText": "De plans", + "isCorrect": "true" + }, + { + "answerText": "De courbes", + "isCorrect": "false" + }, + { + "answerText": "De sphères", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La densité de vos données de clustering est liée à son / sa", + "answerOptions": [ + { + "answerText": "Bruit", + "isCorrect": "true" + }, + { + "answerText": "Profondeur", + "isCorrect": "false" + }, + { + "answerText": "Validité", + "isCorrect": "false" + } + ] + }, + { + "questionText": "L'algorithme de regroupement le plus connu est", + "answerOptions": [ + { + "answerText": "k-means", + "isCorrect": "true" + }, + { + "answerText": "K-middle", + "isCorrect": "false" + }, + { + "answerText": "K-mart", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 29, + "title": "K-Means Clustering: Quiz préalable", + "quiz": [ + { + "questionText": "K-Means est dérivé de:", + "answerOptions": [ + { + "answerText": "Génie électrique", + "isCorrect": "false" + }, + { + "answerText": "Traitement du signal", + "isCorrect": "true" + }, + { + "answerText": "Linguistics informatiques", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Un bon score de silhouette signifie:", + "answerOptions": [ + { + "answerText": "Les grappes sont bien séparées et bien définies", + "isCorrect": "true" + }, + { + "answerText": "Il y a peu de grappes", + "isCorrect": "false" + }, + { + "answerText": "Il y a beaucoup de clusters", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La variance est:", + "answerOptions": [ + { + "answerText": "La moyenne des différences carrées de la moyenne", + "isCorrect": "false" + }, + { + "answerText": "Un problème de regroupement s'il devient trop élevé", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 30, + "title": "K-Means Clustering: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Un diagramme de Voronoi montre:", + "answerOptions": [ + { + "answerText": "Une variance d'une cluster", + "isCorrect": "false" + }, + { + "answerText": "La graine d'une grappe et sa région", + "isCorrect": "true" + }, + { + "answerText": "L'inertie d'une cluster", + "isCorrect": "false" + } + ] + }, + { + "questionText": "L'inertie est", + "answerOptions": [ + { + "answerText": "Une mesure de la manière dont les clusters cohérents internes sont", + "isCorrect": "true" + }, + { + "answerText": "Une mesure de la quantité de grappes déplacées", + "isCorrect": "false" + }, + { + "answerText": "Une mesure de la qualité des grappes", + "isCorrect": "false" + } + ] + }, + { + "questionText": "en utilisant k-moyen, vous devez d'abord déterminer la valeur de 'k'", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 31, + "title": "Intro aux NLP: Quiz préalable", + "quiz": [ + { + "questionText": "Que signifie NLP pour ces leçons?", + "answerOptions": [ + { + "answerText": "Neural Language Processing (Traitement des langues neurales)", + "isCorrect": "false" + }, + { + "answerText": "Natural Language Processing (Traitement des langues naturelles)", + "isCorrect": "true" + }, + { + "answerText": "Natural Linguistic Processing (Traitement linguistique naturel)", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Eliza était un bot précoce qui a agi comme un ordinateur", + "answerOptions": [ + { + "answerText": "Thérapeute", + "isCorrect": "true" + }, + { + "answerText": "Docteur", + "isCorrect": "false" + }, + { + "answerText": "Infirmière", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Le test Turing d'Alan Turing a essayé de déterminer si un ordinateur était", + "answerOptions": [ + { + "answerText": "Indiscernable d'un humain", + "isCorrect": "false" + }, + { + "answerText": "Pensif", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 32, + "title": "Intro aux NLP: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Joseph Weizenbaum a inventé le bot", + "answerOptions": [ + { + "answerText": "Elisha", + "isCorrect": "false" + }, + { + "answerText": "Eliza", + "isCorrect": "true" + }, + { + "answerText": "Eloise", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Un bot conversationnel donne une sortie basée sur", + "answerOptions": [ + { + "answerText": "Un choix de choix prédéfinis au hasard", + "isCorrect": "false" + }, + { + "answerText": "Analyse de l'entrée et de l'utilisation de l'intelligence de la machine", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Comment feriez-vous pour que le bot soit plus efficace?", + "answerOptions": [ + { + "answerText": "En le demandant plus de questions.", + "isCorrect": "false" + }, + { + "answerText": "En lui fournissant plus de données et en le formant en conséquence", + "isCorrect": "true" + }, + { + "answerText": "Le bot est stupide, il ne peut pas apprendre :(", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 33, + "title": "Tâches NLP: Quiz préalable", + "quiz": [ + { + "questionText": "La tokenization", + "answerOptions": [ + { + "answerText": "Divise le texte au moyen de la ponctuation", + "isCorrect": "false" + }, + { + "answerText": "Divise le texte en jetons séparés (mots)", + "isCorrect": "true" + }, + { + "answerText": "Divise le texte en phrases", + "isCorrect": "false" + } + ] + }, + { + "questionText": "L'Embeddings", + "answerOptions": [ + { + "answerText": "Convertit numériquement les données de texte afin que les mots puissent se classer", + "isCorrect": "true" + }, + { + "answerText": "Intégre des mots en phrases", + "isCorrect": "false" + }, + { + "answerText": "Intégre des phrases dans les paragraphes", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Le balisage des parties du discours (Parts-of-Speech Tagging)", + "answerOptions": [ + { + "answerText": "Divise les phrases en fonction de leurs parties du discours", + "isCorrect": "false" + }, + { + "answerText": "prend les mots tokenisés et les marque selon leur partie du discours", + "isCorrect": "true" + }, + { + "answerText": "schématise des phrases", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 34, + "title": "Tâches NLP: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Construisez un dictionnaire de la fréquence à laquelle les mots se reproduisent en utilisant:", + "answerOptions": [ + { + "answerText": "Dictionnaire de mots et d'expressions", + "isCorrect": "false" + }, + { + "answerText": "Fréquences de mots et de phrases", + "isCorrect": "true" + }, + { + "answerText": "Bibliothèque de mots et de phrases", + "isCorrect": "false" + } + ] + }, + { + "questionText": "N-grams fait référence à", + "answerOptions": [ + { + "answerText": "Un texte pouvant être divisé en séquences de mots d'une longueur définie", + "isCorrect": "true" + }, + { + "answerText": "Un mot pouvant être divisé en séquences de caractères d'une longueur de jeu", + "isCorrect": "false" + }, + { + "answerText": "Un texte pouvant être divisé en paragraphes d'une longueur définie", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Analyse du sentiment", + "answerOptions": [ + { + "answerText": "analyse une phrase pour la positivité ou la négativité", + "isCorrect": "true" + }, + { + "answerText": "analyse une phrase pour sentimentalité", + "isCorrect": "false" + }, + { + "answerText": "analyse une phrase pour la tristesse", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 35, + "title": "NLP et traduction: Quiz préalable", + "quiz": [ + { + "questionText": "La traduction naïve", + "answerOptions": [ + { + "answerText": "Traduit uniquement les mots", + "isCorrect": "true" + }, + { + "answerText": "Traduit la structure de la phrase", + "isCorrect": "false" + }, + { + "answerText": "Traduit le sentiment", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Un *corpus* de textes fait référence à", + "answerOptions": [ + { + "answerText": "Un petit nombre de textes", + "isCorrect": "false" + }, + { + "answerText": "Un grand nombre de textes", + "isCorrect": "true" + }, + { + "answerText": "Un texte standard", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Si un modèle ML a suffisamment de traductions humaines pour construire un modèle, il peut", + "answerOptions": [ + { + "answerText": "Abréger des traductions", + "isCorrect": "false" + }, + { + "answerText": "Normaliser les traductions", + "isCorrect": "false" + }, + { + "answerText": "Améliorer la précision des traductions", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 36, + "title": "NLP et traduction: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "La bibliothèque de traduction de texte sous-jacente est:", + "answerOptions": [ + { + "answerText": "Google Translate", + "isCorrect": "true" + }, + { + "answerText": "Bing", + "isCorrect": "false" + }, + { + "answerText": "Un modèle ML personnalisé", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Pour utiliser `blob.translate` vous avez besoin de:", + "answerOptions": [ + { + "answerText": "Une connexion Internet", + "isCorrect": "true" + }, + { + "answerText": "Un dictionnaire", + "isCorrect": "false" + }, + { + "answerText": "JavaScript", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Pour déterminer un sentiment, une approche ML serait d':", + "answerOptions": [ + { + "answerText": "Appliquer des techniques de régression pour générer manuellement des opinions et des scores et rechercher des modèles", + "isCorrect": "false" + }, + { + "answerText": "Appliquer des techniques de PNL pour générer manuellement des opinions et des scores et rechercher des modèles", + "isCorrect": "true" + }, + { + "answerText": "Appliquer des techniques de regroupement pour des opinions et des scores générés manuellement et rechercher des modèles", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 37, + "title": "NLP 4: Quiz préalable", + "quiz": [ + { + "questionText": "Quelles informations pouvons-nous obtenir du texte écrit ou parlé par un humain?", + "answerOptions": [ + { + "answerText": "motifs et fréquences", + "isCorrect": "false" + }, + { + "answerText": "Sentiment et signification", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Qu'est-ce que l'analyse du sentiment?", + "answerOptions": [ + { + "answerText": "Une étude sur la question de savoir si un héritage de famille a une valeur sentimentale", + "isCorrect": "false" + }, + { + "answerText": "Une méthode d'identification systématique, d'extraction, de quantification et d'étude des états affectifs et des informations subjectives", + "isCorrect": "true" + }, + { + "answerText": "La capacité de savoir si quelqu'un est triste ou heureux", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle question pourrait être répondue à l'aide d'un jeu de données de critiques hôteliers, de python et d'analyse de sentiment?", + "answerOptions": [ + { + "answerText": "Quels sont les mots et expressions les plus fréquemment utilisés dans les critiques?", + "isCorrect": "true" + }, + { + "answerText": "Quel hôtel a la meilleure piscine?", + "isCorrect": "false" + }, + { + "answerText": "Y a-t-il un service de voiturier dans cet hôtel?", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 38, + "title": "NLP 4: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Quelle est l'essence de la NLP?", + "answerOptions": [ + { + "answerText": "catégoriser la langue humaine en joyeuse ou triste", + "isCorrect": "false" + }, + { + "answerText": "Interprétation de sens ou de sentiment sans avoir un humain pour le faire", + "isCorrect": "true" + }, + { + "answerText": "Trouver des valeurs aberrantes dans le sentiment et les examiner", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelles sont certaines choses que vous pourriez rechercher lors du nettoyage des données?", + "answerOptions": [ + { + "answerText": "Personnages dans d'autres langues", + "isCorrect": "false" + }, + { + "answerText": "Lignes vierges ou colonnes", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Il est important de comprendre votre donnée et ses faiblesses avant d'effectuer des opérations à ce sujet.", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 39, + "title": "NLP 5: Quiz préalable", + "quiz": [ + { + "questionText": "Pourquoi est-il important de nettoyer les données avant de l'analyser?", + "answerOptions": [ + { + "answerText": "Certaines colonnes pourraient avoir des données manquantes ou incorrectes", + "isCorrect": "false" + }, + { + "answerText": "Les données en désordre peuvent conduire à de fausses conclusions sur le jeu de données", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Quel est un exemple d'une stratégie de nettoyage des données?", + "answerOptions": [ + { + "answerText": "Supprimer des colonnes / rangées qui ne sont pas utiles pour répondre à une question spécifique", + "isCorrect": "true" + }, + { + "answerText": "Se débarrasser des valeurs vérifiées qui ne correspondent pas à votre hypothèse", + "isCorrect": "false" + }, + { + "answerText": "Déplacement des valeurs aberrantes vers une table séparée et exécutant les calculs de cette table pour voir s'ils correspondent", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Il peut être utile de classer les données à l'aide d'une colonne Tag.", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 40, + "title": "NLP 5: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Quel est l'objectif de l'ensemble de données?", + "answerOptions": [ + { + "answerText": "Voir combien de critiques négatives et positives il y a pour les hôtels à travers le monde", + "isCorrect": "false" + }, + { + "answerText": "Ajouter du sentiment et des colonnes qui vous aideront à choisir le meilleur hôtel", + "isCorrect": "true" + }, + { + "answerText": "Analyser pourquoi les gens laissent des critiques spécifiques", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quels sont les mots d'arrêt?", + "answerOptions": [ + { + "answerText": "Mots anglais communs qui ne changent pas le sentiment d'une phrase", + "isCorrect": "false" + }, + { + "answerText": "Mots que vous pouvez supprimer pour accélérer l'analyse du sentiment", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Pour tester l'analyse du sentiment, assurez-vous qu'il correspond au score du critique pour le même examen.", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 41, + "title": "Introduction aux Séries chronologiques (Time Series) : Quiz préalable", + "quiz": [ + { + "questionText": "La prévision de série chronologique est utile pour", + "answerOptions": [ + { + "answerText": "Déterminer les coûts futurs", + "isCorrect": "false" + }, + { + "answerText": "Prédire les prix futurs", + "isCorrect": "false" + }, + { + "answerText": "Les deux à la fois", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Une série chronologique est une séquence prise à:", + "answerOptions": [ + { + "answerText": "points successifs également espacés dans l'espace", + "isCorrect": "false" + }, + { + "answerText": "points successifs également espacés dans le temps", + "isCorrect": "true" + }, + { + "answerText": "points successifs également espacés dans l'espace et le temps", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La série chronologique peut être utilisée dans les cas de:", + "answerOptions": [ + { + "answerText": "Prévision de tremblement de terre", + "isCorrect": "true" + }, + { + "answerText": "Vision informatique", + "isCorrect": "false" + }, + { + "answerText": "Analyse des couleurs", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 42, + "title": "Introduction aux séries chronologiques : Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Les tendances de série chronologique sont", + "answerOptions": [ + { + "answerText": "des augmentations et des diminutions mesurables au fil du temps", + "isCorrect": "true" + }, + { + "answerText": "La quantification des diminutions au fil du temps", + "isCorrect": "false" + }, + { + "answerText": "Des lacunes entre augmentations et diminution au fil du temps", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Les valeurs aberrantes sont des", + "answerOptions": [ + { + "answerText": "Points proches de la variance de données standard", + "isCorrect": "false" + }, + { + "answerText": "Points loin de la variance de données standard", + "isCorrect": "true" + }, + { + "answerText": "Points dans la variance des données standard", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La prévision de séries chronologiques est utile pour", + "answerOptions": [ + { + "answerText": "L'économétrie", + "isCorrect": "true" + }, + { + "answerText": "L'histoire", + "isCorrect": "false" + }, + { + "answerText": "Les bibliothèques", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 43, + "title": "Les séries chronologiques ARIMA: Quiz préalable", + "quiz": [ + { + "questionText": "ARIMA signifie", + "answerOptions": [ + { + "answerText": "AutoRegressive Integral Moving Average", + "isCorrect": "false" + }, + { + "answerText": "AutoRegressive Integrated Moving Action", + "isCorrect": "false" + }, + { + "answerText": "AutoRegressive Integrated Moving Average", + "isCorrect": "true" + } + ] + }, + { + "questionText": "La stationnarité fait référence à", + "answerOptions": [ + { + "answerText": "Les données dont les attributs ne changent pas lors de la décalage", + "isCorrect": "false" + }, + { + "answerText": "Les données dont la distribution ne change pas lors de la décalage de temps", + "isCorrect": "true" + }, + { + "answerText": "Les données dont la distribution change lors de la décalage", + "isCorrect": "false" + } + ] + }, + { + "questionText": "La différenciation", + "answerOptions": [ + { + "answerText": "Stabilise la tendance et la saisonnalité", + "isCorrect": "false" + }, + { + "answerText": "Exacerbe la tendance et la saisonnalité", + "isCorrect": "false" + }, + { + "answerText": "Élimine la tendance et la saisonnalité", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 44, + "title": "Les séries chronologiques ARIMA: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Arima est utilisé pour créer un modèle adapté à la forme spéciale des données de la série chronologique", + "answerOptions": [ + { + "answerText": "aussi plat que possible", + "isCorrect": "false" + }, + { + "answerText": "aussi étroitement que possible", + "isCorrect": "true" + }, + { + "answerText": "via ScatterPlots", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Utilisez Sarimax pour", + "answerOptions": [ + { + "answerText": "Gérer les modèles d'ARIMA saisonniers", + "isCorrect": "true" + }, + { + "answerText": "Gérer des modèles spéciaux Arima", + "isCorrect": "false" + }, + { + "answerText": "Gérer les modèles statistiques ARIMA", + "isCorrect": "false" + } + ] + }, + { + "questionText": " La validation « Walk-Forward » implique de", + "answerOptions": [ + { + "answerText": "Réévaluer un modèle progressivement tel qu'il est validé", + "isCorrect": "false" + }, + { + "answerText": "Re-entraîner un modèle progressivement tel qu'il est validé", + "isCorrect": "true" + }, + { + "answerText": "Re-configurer un modèle progressivement tel qu'il est validé", + "isCorrect": "false" + } + ] + } + ] + }, { + "id": 45, + "title": "Renforcement 1: Quiz préalable", + "quiz": [ + { + "questionText": "Qu'est-ce que l'apprentissage du renforcement?", + "answerOptions": [ + { + "answerText": "Enseigner à quelqu'un quelque chose encore et encore jusqu'à ce qu'ils comprennent", + "isCorrect": "false" + }, + { + "answerText": "Une technique d'apprentissage qui déchiffre le comportement optimal d'un agent dans certains environnements en exécutant de nombreuses expériences", + "isCorrect": "true" + }, + { + "answerText": "Comprendre comment exécuter plusieurs expériences à la fois", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Qu'est-ce qu'une politique?", + "answerOptions": [ + { + "answerText": "une fonction qui renvoie l'action à tout état donné", + "isCorrect": "true" + }, + { + "answerText": "Un document qui vous dit si vous pouvez renvoyer ou non un article", + "isCorrect": "false" + }, + { + "answerText": "Une fonction utilisée à des fins aléatoires", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Une fonction de récompense renvoie un score pour chaque état d'environnement.", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "true" + }, + { + "answerText": "Faux", + "isCorrect": "false" + } + ] + } + ] + }, { + "id": 46, + "title": "Renforcement 1: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Qu'est-ce que le Q-Learning?", + "answerOptions": [ + { + "answerText": "Un mécanisme d'enregistrement de la \"bonté\" de chaque État", + "isCorrect": "false" + }, + { + "answerText": "Un algorithme où la politique est définie par une table Q", + "isCorrect": "false" + }, + { + "answerText": "Les deux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Pour quelles valeurs une Q-Table correspond à la stratégie de marche aléatoire?", + "answerOptions": [ + { + "answerText": "toutes les valeurs égales", + "isCorrect": "true" + }, + { + "answerText": "-0,25", + "isCorrect": "false" + }, + { + "answerText": "toutes les valeurs différentes", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Il valait mieux utiliser l'exploration que l'exploitation pendant le processus d'apprentissage de notre leçon.", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "false" + }, + { + "answerText": "Faux", + "isCorrect": "true" + } + ] + } + ] + }, + { + "id": 47, + "title": "Renforcement 2: Quiz préalable", + "quiz": [ + { + "questionText": "Les échecs et le go sont des jeux avec des états continus", + "answerOptions": [ + { + "answerText": "Vrai", + "isCorrect": "false" + }, + { + "answerText": "Faux", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Quel est le problème CartPole ?", + "answerOptions": [ + { + "answerText": "Un processus d'élimination des valeurs aberrantes", + "isCorrect": "false" + }, + { + "answerText": "Une méthode d'optimisation de votre panier", + "isCorrect": "false" + }, + { + "answerText": "Une version simplifiée d'équilibrage", + "isCorrect": "true" + } + ] + }, + { + "questionText": "Quel outil pouvons-nous utiliser pour jouer à différents scénarios d'états potentiels dans un jeu?", + "answerOptions": [ + { + "answerText": "Devinez et chèque", + "isCorrect": "false" + }, + { + "answerText": "Environnements de simulation", + "isCorrect": "true" + }, + { + "answerText": "Test de transition de l'état", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 48, + "title": "Renforcement 2: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Où définissons-nous toutes les actions possibles dans un environnement?", + "answerOptions": [ + { + "answerText": "Méthodes", + "isCorrect": "false" + }, + { + "answerText": "espace d'action", + "isCorrect": "true" + }, + { + "answerText": "Liste d'action", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle paire avons-nous utilisée comme valeur de la clé de dictionnaire?", + "answerOptions": [ + { + "answerText": "(état, action) comme clé, l'entrée Q-Table comme valeur", + "isCorrect": "true" + }, + { + "answerText": "L'état comme clé, action en tant que valeur", + "isCorrect": "false" + }, + { + "answerText": "La valeur de la fonction QValues ​​est la clé, l'action en tant que valeur", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quels sont les hyperparamètres que nous avons utilisés pendant le Q-Learning?", + "answerOptions": [ + { + "answerText": "Valeur de la table Q, récompense actuelle, action aléatoire", + "isCorrect": "false" + }, + { + "answerText": "Taux d'apprentissage, facteur de réduction, facteur d'exploration / d'exploitation", + "isCorrect": "true" + }, + { + "answerText": "Récompenses cumulatives, taux d'apprentissage, facteur d'exploration", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 49, + "title": "Applications du monde réel: Quiz préalable", + "quiz": [ + { + "questionText": "Quel est un exemple d'application ML dans l'industrie des finances?", + "answerOptions": [ + { + "answerText": "Personnaliser le voyage client à l'aide de NLP", + "isCorrect": "false" + }, + { + "answerText": "Gestion de la richesse à l'aide de la régression linéaire", + "isCorrect": "true" + }, + { + "answerText": "Gestion de l'énergie à l'aide de séries chronologiques", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle technique ML peut utiliser les hôpitaux pour gérer la réadmission?", + "answerOptions": [ + { + "answerText": "Le Clustering (Regroupement)", + "isCorrect": "true" + }, + { + "answerText": "Les séries chronologiques", + "isCorrect": "false" + }, + { + "answerText": "Le NLP", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quel est un exemple d'utilisation des séries chronologiques pour la gestion de l'énergie?", + "answerOptions": [ + { + "answerText": "Animaux de détection de mouvement", + "isCorrect": "false" + }, + { + "answerText": "Parkings intelligents", + "isCorrect": "true" + }, + { + "answerText": "Suivi des incendies de forêt", + "isCorrect": "false" + } + ] + } + ] + }, + { + "id": 50, + "title": "Applications du monde réel: Quiz de validation des connaissances", + "quiz": [ + { + "questionText": "Quelle technique ML peut être utilisée pour détecter la fraude par carte de crédit?", + "answerOptions": [ + { + "answerText": "régression", + "isCorrect": "false" + }, + { + "answerText": "Clustering", + "isCorrect": "true" + }, + { + "answerText": "NLP", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quelle technique ML est illustrée dans la gestion forestière?", + "answerOptions": [ + { + "answerText": "Apprentissage du renforcement", + "isCorrect": "true" + }, + { + "answerText": "Série chronologique", + "isCorrect": "false" + }, + { + "answerText": "NLP", + "isCorrect": "false" + } + ] + }, + { + "questionText": "Quel est un exemple d'application ML dans l'industrie des soins de santé?", + "answerOptions": [ + { + "answerText": "Prédire le comportement des étudiants en utilisant la régression", + "isCorrect": "false" + }, + { + "answerText": "Gestion des essais cliniques à l'aide de classificateurs", + "isCorrect": "true" + }, + { + "answerText": "Sensation de mouvement des animaux utilisant des classificateurs", + "isCorrect": "false" + } + ] + } + ] + } + ] +}] \ No newline at end of file diff --git a/quiz-app/src/assets/translations/index.js b/quiz-app/src/assets/translations/index.js index e4abf6eb..85931b8b 100644 --- a/quiz-app/src/assets/translations/index.js +++ b/quiz-app/src/assets/translations/index.js @@ -1,12 +1,14 @@ // index.js import en from './en.json'; import tr from './tr.json'; +import fr from './fr.json'; //export const defaultLocale = 'en'; const messages = { en: en[0], tr: tr[0], + fr: fr[0] }; export default messages;