Quiz du Module 2 : Contrôle de version pour ML

Testez votre compréhension des pratiques de contrôle de version pour les projets ML avec ces 30 questions.

---

Question 1

À quoi sert principalement DVC dans les projets ML ?

1. Formatage du code
2. Versionnage des données et des modèles avec le code
3. Déploiement des modèles en production
4. Surveillance des performances du modèle

---

Question 2

Quel fichier DVC crée-t-il lors du suivi d'un fichier de données ?

1. .dvcconfig
2. Fichier .dvc (par exemple, data.csv.dvc)
3. .dvcignore
4. .gitattributes

---

Question 3

Quel est le but de .gitignore dans un projet ML ?

1. Ignorer tous les fichiers Python
2. Exclure des fichiers du suivi Git (comme les grands ensembles de données et les modèles)
3. Ignorer tous les fichiers DVC
4. Suivre uniquement les fichiers importants

---

Question 4

Quelle commande initialise DVC dans un projet ?

1. dvc start
2. dvc setup
3. dvc init
4. dvc create

---

Question 5

À quoi sert Git LFS ?

1. Gérer les branches Git
2. Gérer les fichiers volumineux dans les dépôts Git
3. Déployer des dépôts Git
4. Créer des hooks Git

---

Question 6

Dans le versionnage sémantique (par exemple, 2.1.3), que représente le numéro du milieu ?

1. Version majeure (changements incompatibles)
2. Version mineure (nouvelles fonctionnalités, rétrocompatibles)
3. Version de correction (correctifs)
4. Numéro de build

---

Question 7

Que fait la commande dvc push ?

1. Envoie le code à GitHub
2. Téléverse les données/modèles suivis vers le stockage distant
3. Crée une nouvelle branche DVC
4. Installe les dépendances DVC

---

Question 8

Quels backends de stockage DVC prend-il en charge pour le stockage distant ?

1. Seulement le stockage local
2. Seulement AWS S3
3. S3, GCS, Azure, SSH, et plus
4. Seulement le stockage infonuagique

---

Question 9

Qu'est-ce qu'un registre de modèles ?

1. Une base de données de données d'entraînement
2. Un dépôt centralisé pour stocker, versionner et gérer les modèles ML
3. Une base de données gouvernementale de modèles IA
4. Une liste d'hyperparamètres de modèles

---

Question 10

Quel outil offre une fonctionnalité de registre de modèles ?

1. Git
2. DVC seulement
3. MLflow
4. Docker

---

Question 11

Qu'est-ce que la lignée de modèles ?

1. Le nombre de couches dans un réseau neuronal
2. Suivre l'historique complet des données au déploiement du modèle
3. L'âge d'un modèle en production
4. L'arbre généalogique des architectures de modèles

---

Question 12

Que fait dvc repro ?

1. Rapporte les erreurs dans le pipeline
2. Reproduit le pipeline ML en exécutant les étapes nécessaires
3. Réplique le dépôt
4. Crée une sauvegarde du dépôt

---

Question 13

Quel fichier définit les pipelines DVC ?

1. pipeline.yaml
2. dvc.yaml
3. Dvcfile
4. stages.yaml

---

Question 14

Quel est le but des hooks pre-commit dans les projets ML ?

1. Pré-entraîner les modèles
2. Exécuter des vérifications automatisées avant les commits (linting, formatage, etc.)
3. Commiter le code automatiquement
4. Créer des messages de commit

---

Question 15

Que fait nbstripout pour les notebooks Jupyter ?

1. Supprime les cellules de code des notebooks
2. Supprime les cellules de sortie et les métadonnées avant de commiter
3. Convertit les notebooks en scripts Python
4. Chiffre le contenu du notebook

---

Question 16

Dans MLflow, dans quels états une version de modèle peut-elle être ?

1. Brouillon, Publié, Supprimé
2. Aucun, Staging, Production, Archivé
3. Nouveau, Test, En ligne, Obsolète
4. Créé, Validé, Déployé

---

Question 17

Qu'est-ce qu'une carte de modèle ?

1. Une carte physique contenant les poids du modèle
2. Documentation structurée décrivant le but, la performance et les limites d'un modèle
3. Une carte de crédit pour l'informatique en nuage
4. Une visualisation de l'architecture du modèle

---

Question 18

Quelle commande affiche le pipeline DVC sous forme de graphe ?

1. dvc graph
2. dvc show
3. dvc dag
4. dvc pipeline

---

Question 19

Quelle est la stratégie de branche recommandée pour les expériences ML ?

1. Toutes les expériences dans la branche principale
2. Branches d'expérimentation séparées qui peuvent être fusionnées en cas de succès
3. Pas de branchement, juste des tags
4. Une branche par data scientist

---

Question 20

Que fait dvc checkout ?

1. Récupère le code de git
2. Met à jour les fichiers de données de l'espace de travail pour correspondre au commit Git actuel
3. Valide l'intégrité des données
4. Supprime toutes les données suivies

---

Question 21

Pourquoi la reproductibilité est-elle importante dans les projets ML ?

1. Pour faire fonctionner le code plus rapidement
2. Pour recréer les mêmes résultats avec les mêmes entrées pour validation et débogage
3. Pour réduire les coûts de stockage
4. Pour automatiser le déploiement

---

Question 22

Quelles informations doivent être suivies pour la lignée de modèles ?

1. Seulement le fichier du modèle
2. Seulement le code d'entraînement
3. Version du code, version des données, hyperparamètres, environnement, et métriques
4. Seulement la configuration de déploiement

---

Question 23

Quel est le but de dvc.lock ?

1. Empêcher les autres d'exécuter le pipeline
2. Enregistrer l'état exact des entrées et sorties pour la reproductibilité
3. Verrouiller les fichiers pour l'édition
4. Chiffrer les données sensibles

---

Question 24

Quelle commande exécute des expériences DVC avec différents paramètres ?

1. dvc run --params
2. dvc exp run --set-param
3. dvc experiment new
4. dvc params set

---

Question 25

Quelle est la méthode recommandée pour gérer les notebooks Jupyter dans le contrôle de version ?

1. Suivre toutes les sorties pour la reproductibilité
2. Supprimer les sorties avant de commiter et/ou utiliser Jupytext
3. Ne jamais mettre les notebooks sous contrôle de version
4. Convertir tous les notebooks en PDF

---

Question 26

Que comprend généralement la validation de modèle dans un registre ?

1. Vérifier uniquement si le fichier du modèle existe
2. Tests de performance, vérifications de latence, et comparaison avec la production
3. Revue de code uniquement
4. Revue de documentation uniquement

---

Question 27

Qu'est-ce que Jupytext ?

1. Un éditeur de texte pour Jupyter
2. Un outil qui garde les notebooks et les scripts Python synchronisés
3. Un thème Jupyter
4. Un outil de chiffrement de notebook

---

Question 28

Dans DVC, qu'est-ce qu'un remote ?

1. Une machine distante pour l'entraînement
2. Emplacement de stockage externe pour les fichiers de données et de modèles
3. Un dépôt Git distant
4. Une connexion de bureau à distance

---

Question 29

Quel est l'avantage des conventions de message de commit dans les projets ML ?

1. Rend les commits professionnels
2. Crée un historique clair et consultable des changements par type (données, modèle, entraînement)
3. Requis par GitHub
4. Corrige automatiquement le code

---

Question 30

Qu'est-ce qui devrait déclencher une augmentation de version de modèle de 1.0.0 à 2.0.0 ?

1. Tout réentraînement du modèle
2. Correctifs
3. Changements incompatibles comme une nouvelle architecture ou des changements d'API incompatibles
4. Ajout de documentation

---

🎉 Quiz terminé !

Vous avez terminé le quiz du Module 2. Révisez les questions que vous avez mal comprises et revisitez les sections pertinentes.

Interprétation du score :

• 27-30 correctes : Excellent ! Vous avez maîtrisé le contrôle de version pour ML.
• 22-26 correctes : Bonne compréhension, révisez les sujets manqués.
• 17-21 correctes : Moyen, il est recommandé de relire le module.
• Moins de 17 : Revoyez l'ensemble du module avant de continuer.

---

Suivant : Module 3 : Suivi des expériences