Test de data science et données

Désélectionner la réponse

x = [1, 2, 3]
y = [4, 5, 6]
z = [x[i] + y[i] for i in range(len(x))]
print(z)Désélectionner la réponse

Désélectionner la réponse

Désélectionner la réponse

Données : 202, 208, 212, 217, 218, 218, 218Désélectionner la réponse

Règle : Carte de cœur = -1 point, autre carte = +1 pointDésélectionner la réponse

Python

amount = 0
for i in range(1, 4):
      amount += i * 10Désélectionner la réponse

Désélectionner la réponse

Désélectionner la réponse

value = 0
for i in range(1, 5):
      value += i * 999
value -= 999
print(value)Désélectionner la réponse

SELECT DISTINCT city
FROM customers
WHERE country = 'Belgium';Désélectionner la réponse

Désélectionner la réponse

Désélectionner la réponse

Désélectionner la réponse

Désélectionner la réponse

Supposons que vous disposez des courbes ROC et des valeurs AUC pour quatre modèles de classification. Sur la base des valeurs AUC, choisissez le modèle le plus performant.

Supposons que vous observiez les courbes d'apprentissage de plusieurs modèles en fonction du nombre d'itérations, avec les performances d’entraînement et de validation indiquées ci-dessous :

1. Courbe d'apprentissage pour le modèle A :

   • Jusqu'à 18 itérations : Les courbes d'entraînement et de validation sont similaires.
   • Après 18 itérations : La courbe d'entraînement continue d’augmenter, tandis que la courbe de validation diminue.

2. Courbe d'apprentissage pour le modèle B :

   • Jusqu'à 21 itérations : Les performances sont similaires entre les courbes d'entraînement et de validation.
   • Après 21 itérations : La courbe de validation stagne ou diminue, tandis que la courbe d'entraînement continue d’augmenter.

3. Courbe d'apprentissage pour le modèle C :

   • Les performances restent proches sur les deux courbes jusqu'à 20 itérations.
   • Après 20 itérations : La courbe d'entraînement continue d'augmenter, mais la courbe de validation diminue.

4. Courbe d'apprentissage pour le modèle D :

   • Jusqu’à 40 itérations, les deux courbes restent similaires, puis la courbe de validation commence à diminuer.

Exercice :

• Identifiez le modèle qui risque de présenter un surapprentissage et à partir de combien d’itérations.

Supposons que vous ayez la matrice de confusion suivante pour un modèle de classification binaire :

Calculez le taux de faux positifs en fonction de cette matrice.

Voici des données d'écart interquartile pour quatre boîtes à moustaches représentant la répartition des scores obtenus lors d'un examen.

• Boîte A : Q1 = 25, Q3 = 50, écart interquartile = 25
• Boîte B : Q1 = 40, Q3 = 68, écart interquartile = 28
• Boîte C : Q1 = 30, Q3 = 55, écart interquartile = 25
• Boîte D : Q1 = 20, Q3 = 50, écart interquartile = 30

Supposons une entreprise de logistique qui suit les poids de ses colis en fonction de leur origine. Vous disposez des probabilités suivantes :

• Probabilité qu'un colis pèse entre 10 et 30 kg : 40 % (0.4)
• Probabilité que l’origine du colis soit la Suisse (CH) ou les États-Unis (US) : 60 % (0.6)

Pour les besoins de cet exercice, supposons que ces deux événements sont indépendants.

Dans ce contexte, vous avez les fonctions suivantes, et vous devez identifier celle qui effectue un produit scalaire sur deux vecteurs a et b :

1. Fonction A : def multiply(a, b): return a * b
2. Fonction B : def dot_product(a, b): return sum(x * y for x, y in zip(a, b))
3. Fonction C : def cross_product(a, b): return [a[1]*b[2] - a[2]*b[1], a[2]*b[0] - a[0]*b[2], a[0]*b[1] - a[1]*b[0]]
4. Fonction D : def scalar_multiply(a, scalar): return [x * scalar for x in a]

Vous comparez quatre modèles de classification avec leurs courbes de précision-rappel sur un jeu de données déséquilibré. Les scores moyens de précision et de rappel sont :

• Modèle A : Précision = 0.85, Rappel = 0.80
• Modèle B : Précision = 0.88, Rappel = 0.70
• Modèle C : Précision = 0.78, Rappel = 0.75
• Modèle D : Précision = 0.80, Rappel = 0.82

Voici une séquence de calcul représentée par un organigramme où chaque étape effectue une opération sur la variable x, initialisée à 50 :

1. Étape 1 : x = x + 20
2. Étape 2 : x = x / 2
3. Étape 3 : x = x + 11
4. Étape 4 : x = x - 5