Questions d'entraînement — MLA

Question 1

Une équipe de data science travaille sur un pipeline de classification binaire avec Spark MLlib. Ils souhaitent enchaîner plusieurs étapes de transformation (StringIndexer, VectorAssembler, StandardScaler) suivies d'un modèle LogisticRegression. Quelle approche est recommandée pour garantir la reproductibilité et simplifier le déploiement du modèle en production ?

Answer

A. Appliquer chaque transformation manuellement dans des cellules séparées d'un notebook, puis sauvegarder le modèle final avec model.save()

Answer

B. Utiliser un objet Pipeline de pyspark.ml contenant toutes les étapes (stages) et appeler pipeline.fit() pour obtenir un PipelineModel sérialisable

Answer

C. Créer une fonction Python personnalisée qui exécute chaque étape séquentiellement et retourner le DataFrame final transformé

Answer

D. Utiliser un CrossValidator directement sans Pipeline, car il gère automatiquement l'enchaînement des transformations

Question 2

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 3

Un ingénieur ML déploie un modèle de recommandation ALS (Alternating Least Squares) avec Spark MLlib sur un cluster Databricks. Lors de l'inférence sur de nouvelles données, le modèle retourne des valeurs NaN pour certains utilisateurs. Quelle est la cause la plus probable et la solution recommandée ?

Answer

A. Le modèle ALS a convergé vers un minimum local. La solution est d'augmenter le paramètre maxIter et de réentraîner le modèle avec un learning rate plus élevé.

Answer

B. Les utilisateurs avec des prédictions NaN sont des 'cold start' users qui n'étaient pas présents dans les données d'entraînement. La solution est de configurer le paramètre coldStartStrategy='drop' ou 'nan' sur le modèle ALSModel.

Answer

C. Le cluster Databricks manque de mémoire pour stocker les facteurs latents. La solution est d'augmenter le paramètre rank du modèle ALS pour réduire la dimensionnalité.

Answer

D. Les données d'entrée contiennent des ratings négatifs incompatibles avec ALS. La solution est de normaliser tous les ratings entre 0 et 1 avant l'entraînement.

Question 4

Une entreprise de e-commerce utilise Spark MLlib pour entraîner un modèle de recommandation avec ALS (Alternating Least Squares). Le dataset contient 50 millions d'interactions utilisateur-produit. Lors de l'inférence, le modèle retourne des valeurs NaN pour certains utilisateurs lorsque la méthode transform() est appelée sur de nouvelles données. Quelle est la cause la plus probable et la solution appropriée dans Spark MLlib ?

Answer

A. Les utilisateurs avec des NaN n'ont pas assez d'interactions dans le jeu d'entraînement. Il faut augmenter le paramètre regParam pour régulariser davantage.

Answer

B. Les NaN apparaissent pour des utilisateurs ou produits absents du jeu d'entraînement (cold start). Il faut configurer le paramètre coldStartStrategy sur 'drop' ou 'nan' selon le cas d'usage.

Answer

C. Les NaN sont causés par un overflow numérique dû au paramètre rank trop élevé. Il faut réduire le nombre de facteurs latents.

Answer

D. Les NaN résultent d'un problème de partitionnement des données. Il faut augmenter le paramètre numUserBlocks et numItemBlocks.

Question 5

Une équipe de data science souhaite utiliser Databricks AutoML pour un problème de prévision de séries temporelles (time series forecasting). Le dataset contient des ventes quotidiennes pour 200 magasins sur 3 ans. Quelle affirmation est CORRECTE concernant les capacités de forecasting de Databricks AutoML ?

Answer

A. AutoML pour le forecasting ne prend pas en charge les séries temporelles multi-séries (multi-series) et nécessite un appel séparé pour chaque magasin.

Answer

B. AutoML pour le forecasting prend en charge les séries temporelles multi-séries via un paramètre d'identité de série (time_col et identity_col), et utilise le framework Prophet ainsi que ARIMA pour générer des prévisions.

Answer

C. AutoML pour le forecasting utilise exclusivement des réseaux de neurones LSTM et nécessite un GPU pour l'entraînement.

Answer

D. AutoML pour le forecasting est uniquement disponible via l'API REST et ne peut pas être lancé depuis l'interface utilisateur (UI) de Databricks.

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