course/pr_1213/fr/chapter1/10.md

# Quiz de fin de chapitre

Ce chapitre a couvert un grand nombre de notions ! Ne vous inquiétez pas si vous n'avez pas compris tous les détails, les chapitres suivants vous aideront à comprendre comment les choses fonctionnent concrètement.

Mais avant d'aller plus loin, prenons un instant pour voir ce que vous avez appris dans ce chapitre !

### 1. Explorez le *Hub* et cherchez le modèle `roberta-large-mnli`. Quelle tâche accomplit-il ?

page roberta-large-mnli."
		},
		{
			text: "Classification de texte",
			explain: "Pour être plus précis, il classifie si deux phrases sont logiquement liées entre elles parmis trois possibilités (contradiction, neutre, lien). Il s'agit d'une tâche aussi appelée inference de langage naturel.",
			correct: true
		},
		{
			text: "Génération de texte",
			explain: "Regardez à nouveau sur la page roberta-large-mnli."
		}
	]}
/>

### 2. Que renvoie le code suivant ?

```py
from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner(
    "My name is Sylvain and I work at Hugging Face in Brooklyn."
)  # Je m'appelle Sylvain et je travaille à Hugging Face à Brooklyn.
```

d'analyse de sentiment (sentiment-analysis dans la documentation d'Hugging-Face)."
		},
		{
			text: "Il renvoie un texte généré qui complète cette phrase.",
			explain: "Cela correspondrait au pipeline de génération de texte (text-generation dans la documentation d'Hugging-Face)."
		},
		{
			text: "Il renvoie les entités nommées dans cette phrase, telles que les personnes, les organisations ou lieux.",
			explain: "De plus, avec grouped_entities=True, cela regroupe les mots appartenant à la même entité, comme par exemple \"Hugging Face\".",
			correct: true
		}
	]}
/>

### 3. Que remplace « ... » dans ce code ?

```py
from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
```

 has been waiting for you. # Ce <mask> vous attend.",
			explain: "Regardez la description du modèle bert-base-cased et essayez de trouver votre erreur."
		},
		{
			text: "This [MASK] has been waiting for you. # Ce [MASK] vous attend.",
			explain: "Le modèle utilise [MASK] comme mot-masque.",
			correct: true
		},
		{
			text: "This man has been waiting for you. # Cet homme vous attend.",
			explain: "Ce pipeline permet de remplacer les mot manquants donc il a besoin d'un mot-masque."
		}
	]}
/>

### 4. Pourquoi ce code ne fonctionne-t-il pas ?

```py
from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier(
    "This is a course about the Transformers library"
)  # C'est un cours sur la bibliothèque Transformers
```

candidate_labels=[...].",
			correct: true
		},
		{
			text: "Ce pipeline nécessite que des phrases soient données, pas juste une phrase.",
			explain: "Bien que ce pipeline puisse prendre une liste de phrases à traiter (comme tous les autres pipelines)."
		},
		{
			text: "La bibliothèque 🤗 Transformers est cassée, comme d'habitude.",
			explain: "Nous n'avons aucun commentaire pour cette réponse !",
		},
		{
			text: "Ce pipeline nécessite des phrases plus longues, celle-ci est trop courte.",
			explain: "Notez que si un texte est très long, il est tronqué par le pipeline."
		}
	]}
/>

### 5. Que signifie « apprentissage par transfert » ?

### 6. Vrai ou faux ? Un modèle de langage n'a généralement pas besoin d'étiquettes pour son pré-entraînement.

autosupervisé, ce qui signifie que les étiquettes sont créées automatiquement à partir des données d'entrée (comme prédire le mot suivant ou remplacer des mots masqués).",
			correct: true
		},
		{
			text: "Faux",
			explain: "Ce n'est pas la bonne réponse."
		}
	]}
/>

### 7. Sélectionnez la phrase qui décrit le mieux les termes « modèle », « architecture » et « poids ».

### 8. Parmi ces types de modèles, quel est le plus approprié pour générer du texte à partir d'une instruction (*prompt*) ?

### 9. Parmi ces types de modèles, quel est le plus approprié pour le résumé de texte ?

### 10. Quel type de modèle utiliseriez-vous pour classifier des entrées de texte en fonction de certains labels ?

### 11. De quelle source possible peut être le biais observé dans un modèle ?

finetunée d'un modèle pré-entraîné et il a conservé ses biais.",
			explain: "Avec l'apprentissage par transfert, les biais du modèle pré-entraîné perdurent dans le modèle finetuné.",
			correct: true
		},
		{
			text: "Le modèle a été entraîné sur des données qui sont biaisées.",
			explain: "Ceci représente la source de biais la plus évidente mais n'est pas la seule possible.",
			correct: true
		},
		{
			text: "La métrique optimisée lors de l'entraînement du modèle est biaisée.",
			explain: "Une source moins évidente est la façon dont le modèle est entraîné. Votre modèle va de façon aveugle optimiser la métrique que vous avez sélectionnée, sans prendre aucun recul.",
			correct: true
		}
	]}
/>