Quiz sur la détection des anomalies

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Pourquoi les modèles de détection d'anomalies sont-ils souvent formés principalement sur des données « normales » plutôt que sur des anomalies étiquetées ?
   • Il est illégal d'étiqueter des données normales
   • Les modèles ne peuvent pas du tout traiter les anomalies
   • Les données normales ne nécessitent aucun calcul
   • Les anomalies sont rares et les exemples étiquetés sont rares
2. Comment une Forêt d’Isolement identifie-t-elle une anomalie ?
   • Les anomalies sont isolées dans moins de fractionnements aléatoires, ce qui donne des longueurs de trajet plus courtes
   • Les anomalies nécessitent de nombreuses divisions aléatoires pour être isolées
   • Il mesure la couleur de chaque point de données
   • Il regroupe d'abord les points par leurs étiquettes
3. Lorsqu'un auto-encodeur est utilisé pour la détection d'anomalies, qu'est-ce qui signale une anomalie ?
   • Faible erreur de reconstruction
   • Erreur de reconstruction élevée sur une entrée inconnue
   • Un temps de formation plus rapide
   • Plus de couches dans le réseau
4. Sur quoi s’appuie principalement la méthode Local Outlier Factor ?
   • L'ordre alphabétique des fonctionnalités
   • La taille totale du fichier de l'ensemble de données
   • La densité de points autour d'un point donné
   • Une liste fixe des cas de fraude connus
5. Quel est un défi réaliste pour les systèmes de détection d’anomalies déployés ?
   • Les anomalies ne changent jamais avec le temps
   • Les données normales sont toujours parfaitement étiquetées
   • Les valeurs aberrantes représentent toujours la majorité des données
   • La définition de « normal » peut dériver, nécessitant une adaptation
6. Quelle application est une utilisation classique de la détection d’anomalies ?
   • Détection des transactions frauduleuses par carte de crédit
   • Trier les photos par ordre alphabétique
   • Traduire du texte entre les langues
   • Compresser des fichiers vidéo
7. What does the contamination setting commonly represent in an Isolation Forest workflow?
   • The number of training trees that contain audio
   • An assumed or expected proportion of outliers used for thresholding
   • The probability a record was encrypted
   • The average depth of a normal point
8. Why should anomaly scores be reviewed with domain context?
   • An anomaly score always proves fraud
   • All normal data has an identical distribution
   • Rare but valid events can look unusual, and errors have different costs
   • A model score replaces an investigation