Quiz du Module 3 : Suivi d'Expériences

Testez votre compréhension du suivi d'expériences avec ces 30 questions.

---

Question 1

Quels sont les quatre principaux composants de MLflow ?

1. Tracking, Projects, Models, Registry
2. Training, Pipelines, Models, Repository
3. Tracking, Packaging, Monitoring, Registry
4. Testing, Projects, Metrics, Registry

---

Question 2

Que fait MLflow autolog ?

1. Se connecte automatiquement au serveur MLflow
2. Enregistre automatiquement les paramètres, métriques et modèles sans appels d'enregistrement explicites
3. Enregistre automatiquement les erreurs et exceptions
4. Enregistre automatiquement les commits Git

---

Question 3

Qu'est-ce qu'un sweep W&B ?

1. Un outil pour nettoyer les anciennes expériences
2. Un système automatisé d'optimisation d'hyperparamètres
3. Une méthode pour balayer les données
4. Un type de visualisation pour les métriques

---

Question 4

Qu'est-ce qu'une signature de modèle dans MLflow ?

1. Une signature numérique pour la sécurité
2. Une spécification du schéma d'entrée et de sortie du modèle
3. Le nom de l'auteur sur le modèle
4. Un identifiant unique pour le modèle

---

Question 5

Quelle méthode de sweep W&B utilise l'optimisation bayésienne ?

1. grid
2. random
3. bayes
4. exhaustive

---

Question 6

Qu'est-ce qu'un artefact MLflow ?

1. Un modèle ancien et obsolète
2. Tout fichier ou répertoire enregistré avec un run (modèles, graphiques, données)
3. Un type de métrique
4. Un fichier de configuration

---

Question 7

Quel est le but des runs imbriqués dans MLflow ?

1. Pour exécuter des expériences en parallèle
2. Pour organiser des runs liés (comme la recherche d'hyperparamètres) sous un run parent
3. Pour imbriquer des modèles les uns dans les autres
4. Pour créer des expériences récursives

---

Question 8

Qu'est-ce qu'un artefact W&B ?

1. Une exposition de musée de modèles ML
2. Une unité versionnée et traçable comme des ensembles de données ou des modèles
3. Un message d'erreur
4. Un type de visualisation

---

Question 9

Quelle commande MLflow exécute un projet à partir d'un dépôt Git ?

1. mlflow git run
2. mlflow run https://github.com/...
3. mlflow clone and run
4. mlflow project github

---

Question 10

Quel fichier définit un projet MLflow ?

1. mlflow.yaml
2. project.yaml
3. MLproject
4. config.yaml

---

Question 11

Quel est l'avantage du suivi d'expériences ?

1. Il rend l'entraînement plus rapide
2. Il permet la reproductibilité et la comparaison des expériences
3. Il réduit la taille du modèle
4. Il améliore automatiquement la précision du modèle

---

Question 12

Comment enregistrer une métrique personnalisée dans W&B ?

1. wandb.metric("name", value)
2. wandb.log({"metric_name": value})
3. wandb.track("name", value)
4. wandb.add_metric("name", value)

---

Question 13

Quel est le but de mlflow.set_experiment() ?

1. Pour démarrer un run d'expérience
2. Pour définir l'expérience active pour les runs suivants
3. Pour configurer les paramètres de l'expérience
4. Pour terminer une expérience

---

Question 14

Quelle visualisation est la meilleure pour comparer l'impact des hyperparamètres ?

1. Diagramme circulaire
2. Graphique de coordonnées parallèles
3. Histogramme
4. Nuage de points uniquement

---

Question 15

Que fait wandb.init() ?

1. Installe W&B
2. Initialise un nouveau run et se connecte à W&B
3. Initialise le réseau de neurones
4. Réinitialise tous les runs précédents

---

Question 16

Qu'est-ce qu'une Table W&B ?

1. Une table de base de données
2. Un format de données structuré pour enregistrer et visualiser des données tabulaires
3. Une table de comparaison entre modèles
4. Une table HTML dans les rapports

---

Question 17

Quels types de stockage backend MLflow prend-il en charge ?

1. Uniquement les fichiers locaux
2. Uniquement PostgreSQL
3. Fichiers locaux, SQLite, PostgreSQL, MySQL, et plus
4. Uniquement les bases de données infonuagiques

---

Question 18

Quel est le but de wandb.finish() ?

1. Pour supprimer le run
2. Pour fermer correctement le run et téléverser les données restantes
3. Pour terminer l'entraînement
4. Pour se déconnecter de W&B

---

Question 19

Comment comparez-vous les expériences dans l'interface utilisateur MLflow ?

1. Utilisez uniquement la ligne de commande
2. Sélectionnez plusieurs runs et utilisez la vue de comparaison
3. Exportez vers Excel et comparez manuellement
4. MLflow ne prend pas en charge la comparaison

---

Question 20

Qu'est-ce qu'un exemple d'entrée dans les modèles MLflow ?

1. Exemple de code pour utiliser le modèle
2. Données d'entrée échantillon stockées avec le modèle pour référence
3. Exemples de données d'entraînement
4. Exemples d'erreurs

---

Question 21

Quel est l'avantage des Rapports W&B ?

1. Entraînement automatisé des modèles
2. Documents partageables combinant texte, code et visualisations
3. Rapport de bogues
4. Journalisation des erreurs

---

Question 22

Comment filtrez-vous les runs MLflow par programmation ?

1. mlflow.filter_runs()
2. client.search_runs() avec filter_string
3. mlflow.query_runs()
4. mlflow.get_filtered_runs()

---

Question 23

Qu'est-ce qu'une saveur de modèle dans MLflow ?

1. Le goût du modèle
2. Un format spécifique pour enregistrer les modèles (sklearn, pytorch, etc.)
3. La version du modèle
4. Un type d'hyperparamètre

---

Question 24

Que fournit wandb.config ?

1. Configuration du serveur
2. Accès aux hyperparamètres définis lors de l'initialisation
3. Configuration réseau
4. Paramètres d'affichage

---

Question 25

Pourquoi enregistrer les courbes d'entraînement pendant l'entraînement ?

1. C'est requis par MLflow
2. Pour surveiller la convergence et détecter les problèmes tôt
3. Pour ralentir l'entraînement
4. À des fins esthétiques uniquement

---

Question 26

Quel est l'emplacement par défaut des artefacts dans MLflow ?

1. Bucket S3 distant
2. Répertoire mlruns dans le répertoire de travail actuel
3. /var/mlflow/artifacts
4. Stockage infonuagique uniquement

---

Question 27

Comment utilisez-vous un artefact W&B dans un nouveau run ?

1. wandb.get_artifact()
2. wandb.use_artifact("name:version")
3. wandb.download_artifact()
4. wandb.load_artifact()

---

Question 28

Quelle est la meilleure pratique pour nommer les expériences ?

1. Utiliser des noms aléatoires
2. Utiliser uniquement des dates
3. Utiliser des noms descriptifs avec des informations clés de configuration
4. Utiliser uniquement des ID générés automatiquement

---

Question 29

Que se passe-t-il si vous n'appelez pas wandb.finish() ?

1. Le run est supprimé
2. Rien, c'est optionnel
3. Les données peuvent ne pas être complètement téléversées, le run peut sembler incomplet
4. W&B plante

---

Question 30

Que faut-il enregistrer pour des expériences reproductibles ?

1. Uniquement les métriques
2. Uniquement les poids du modèle
3. Paramètres, métriques, artefacts, informations sur l'environnement et version du code
4. Uniquement le modèle final

---

🎉 Quiz Terminé !

Vous avez terminé le quiz du Module 3 sur le Suivi d'Expériences.

---

Suivant : Module 4 : Pipelines de Données