Questions d'entraînement — MLA

Question 1

Dans un pipeline Databricks de prédiction de maintenance prédictive, un ingénieur ML utilise des données de capteurs IoT. Il souhaite appliquer un feature engineering automatisé pour générer des centaines de features statistiques (moyenne, écart-type, min, max, tendance, etc.) à partir de séries temporelles de capteurs. Quelle approche est la plus efficace sur Databricks ?

Answer

A. Écrire manuellement chaque agrégation avec des window functions Spark SQL et les combiner dans un DataFrame final

Answer

B. Utiliser la bibliothèque tsfresh distribuée via une pandas UDF (applyInPandas) sur des groupes de capteurs pour paralléliser la génération de features sur le cluster Spark

Answer

C. Exporter les données de capteurs en fichiers CSV locaux, puis utiliser un script Python séquentiel avec numpy pour calculer les agrégations sur le driver node

Answer

D. Créer une vue matérialisée SQL qui calcule dynamiquement toutes les agrégations à chaque requête via des sous-requêtes imbriquées

Question 2

Un data scientist construit un modèle de prédiction sur Databricks et constate que plusieurs colonnes numériques contiennent des valeurs manquantes (entre 5% et 20% selon les colonnes). Il utilise PySpark MLlib pour le preprocessing. Quelle stratégie d'imputation est la plus appropriée dans un pipeline MLlib production-ready ?

Answer

A. Supprimer toutes les lignes contenant au moins une valeur manquante avec df.dropna() avant l'entraînement.

Answer

B. Utiliser la classe Imputer de pyspark.ml.feature pour remplacer les valeurs manquantes par la médiane de chaque colonne, intégrée dans un Pipeline MLlib.

Answer

C. Remplacer toutes les valeurs manquantes par 0 avec df.fillna(0) car c'est la méthode la plus simple et universelle.

Answer

D. Calculer les statistiques d'imputation dans un notebook séparé, les hardcoder dans le code de transformation, et appliquer les remplacements avec des expressions when().otherwise().

Question 3

Une équipe de data science construit un pipeline de machine learning avec Spark MLlib pour prédire le churn client. Ils doivent appliquer plusieurs transformations (StringIndexer, OneHotEncoder, VectorAssembler) suivies d'un modèle LogisticRegression. Quelle est l'approche recommandée pour orchestrer ces étapes et garantir la reproductibilité du pipeline en production ?

Answer

A. Appliquer chaque transformation séparément avec des appels .transform() successifs sur le DataFrame, puis entraîner le modèle indépendamment.

Answer

B. Utiliser un objet Pipeline de pyspark.ml qui enchaîne toutes les étapes (Transformers et Estimators) et appeler .fit() une seule fois sur le DataFrame d'entraînement.

Answer

C. Créer une fonction Python personnalisée qui encapsule toutes les transformations et l'entraînement, puis l'appliquer avec un UDF Spark.

Answer

D. Utiliser pyspark.ml.feature.SQLTransformer pour exécuter toutes les transformations en une seule requête SQL, puis passer le résultat au modèle.

Question 4

Un ingénieur ML entraîne un modèle de régression avec MLflow Tracking et souhaite enregistrer la courbe d'évolution de la loss à chaque époque d'entraînement. Quelle méthode MLflow est la plus adaptée pour capturer cette information de manière exploitable dans l'interface de visualisation de MLflow ?

Answer

A. Appeler mlflow.log_metric('loss', value, step=epoch) à chaque époque pour enregistrer la métrique avec le numéro d'étape correspondant

Answer

B. Stocker toutes les valeurs de loss dans une liste Python et appeler mlflow.log_param('loss_history', str(loss_list)) à la fin de l'entraînement

Answer

C. Écrire les valeurs de loss dans un fichier texte et l'enregistrer avec mlflow.log_artifact('loss_history.txt') à la fin de l'entraînement

Answer

D. Appeler mlflow.log_metric('loss_epoch_1', value1) puis mlflow.log_metric('loss_epoch_2', value2) en créant une métrique distincte pour chaque époque

Question 5

Un data scientist entraîne un modèle de classification binaire pour détecter des transactions frauduleuses. Il utilise la cross-validation avec 5 folds. Les scores AUC-ROC obtenus sur chaque fold sont : 0.92, 0.68, 0.90, 0.91, 0.89. Quelle est l'interprétation la plus correcte de ces résultats et l'action recommandée ?

Answer

A. La moyenne des scores (0.86) est un bon indicateur de performance globale. Le modèle peut être déployé car l'AUC moyenne dépasse 0.85, ce qui est un seuil acceptable pour la détection de fraude.

Answer

B. La variance élevée entre les folds, en particulier le score anormalement bas du fold 2 (0.68), indique un problème potentiel de data leakage, de distribution non homogène des données, ou de preprocessing incorrect. Il faut investiguer ce fold spécifiquement avant de tirer des conclusions.

Answer

C. Les résultats montrent que le modèle est instable et qu'il faut abandonner la cross-validation au profit d'un simple train/test split qui donnera un résultat unique et plus fiable.

Answer

D. Le fold 2 est un outlier statistique qu'il faut exclure du calcul de la moyenne. La moyenne corrigée sur 4 folds (0.905) reflète mieux les vraies performances du modèle.

Examen MLA — MLA — Databricks Certified Machine Learning Associate

À propos de l'examen MLA

Comment se préparer à l'examen MLA ?

5 exemples de questions — MLA

Encore 55 questions dans l'examen complet

📖 Préparez-vous avec nos guides

Commencer l'examen MLA complet