message de commit

app.py

@@ -0,0 +1,632 @@
+import gradio as gr
+import random
+import pandas as pd
+import numpy as np
+import json
+
+# Préparation des données
+questions = [
+    {
+        "question": "Quelle est la différence principale entre un algorithme classique et un algorithme de Machine Learning ?",
+        "options": [
+            "A) Les algorithmes classiques sont plus précis",
+            "B) Les algorithmes de Machine Learning utilisent les données historiques pour produire un modèle prédictif",
+            "C) Les algorithmes classiques fonctionnent sur de plus grandes bases de données",
+            "D) Les algorithmes de Machine Learning sont toujours supervisés"
+        ],
+        "correct": "B",
+        "category": "Fondamentaux du Machine Learning"
+    },
+    {
+        "question": "Dans un modèle linéaire f(x) = ax + b, que représentent a et b ?",
+        "options": [
+            "A) a est l'ordonnée à l'origine et b est la pente",
+            "B) a est la pente et b est l'ordonnée à l'origine",
+            "C) a est la variable d'entrée et b est la variable de sortie",
+            "D) a est la moyenne et b est l'écart-type"
+        ],
+        "correct": "B",
+        "category": "Fondamentaux du Machine Learning"
+    },
+    {
+        "question": "Quel type d'apprentissage utilise des données étiquetées pour entraîner un modèle ?",
+        "options": [
+            "A) Apprentissage non supervisé",
+            "B) Apprentissage par renforcement",
+            "C) Apprentissage supervisé",
+            "D) Apprentissage semi-supervisé"
+        ],
+        "correct": "C",
+        "category": "Fondamentaux du Machine Learning"
+    },
+    {
+        "question": "Qu'est-ce que le surapprentissage (overfitting) ?",
+        "options": [
+            "A) Un modèle qui apprend trop rapidement",
+            "B) Un modèle qui ne parvient pas à capturer les tendances dans les données d'entraînement",
+            "C) Un modèle qui capture trop bien les données d'entraînement mais généralise mal",
+            "D) Un modèle qui nécessite trop de données d'entraînement"
+        ],
+        "correct": "C",
+        "category": "Fondamentaux du Machine Learning"
+    },
+    {
+        "question": "Pourquoi utilise-t-on le Deep Learning plutôt que le Machine Learning classique pour certains problèmes ?",
+        "options": [
+            "A) Le Deep Learning est toujours plus précis",
+            "B) Le Machine Learning classique est limité avec les données non-structurées et de grande dimension",
+            "C) Le Deep Learning nécessite moins de données",
+            "D) Le Machine Learning classique est plus complexe à implémenter"
+        ],
+        "correct": "B",
+        "category": "Fondamentaux du Machine Learning"
+    },
+    {
+        "question": "Qu'est-ce qu'un perceptron ?",
+        "options": [
+            "A) Un algorithme de classification d'images",
+            "B) L'élément de base d'un réseau de neurones artificiels, inspiré des neurones biologiques",
+            "C) Une technique de visualisation de données",
+            "D) Un type de fonction d'activation"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Artificiels"
+    },
+    {
+        "question": "Quels sont les éléments caractéristiques d'un perceptron ?",
+        "options": [
+            "A) Son activation, ses connexions d'entrée, sa fonction d'entrée et sa fonction d'activation",
+            "B) Sa taille, sa couleur, sa forme et sa position",
+            "C) Son algorithme, sa mémoire, son processeur et son interface",
+            "D) Son bias, son taux d'apprentissage, sa dimension et sa profondeur"
+        ],
+        "correct": "A",
+        "category": "Réseaux de Neurones Artificiels"
+    },
+    {
+        "question": "Quelles sont les principales couches d'un réseau de neurones ?",
+        "options": [
+            "A) Couche d'entrée, couche cachée, couche de sortie",
+            "B) Couche primaire, couche secondaire, couche tertiaire",
+            "C) Couche superficielle, couche intermédiaire, couche profonde",
+            "D) Couche d'acquisition, couche de traitement, couche de restitution"
+        ],
+        "correct": "A",
+        "category": "Réseaux de Neurones Artificiels"
+    },
+    {
+        "question": "Comment fonctionne l'algorithme de rétropropagation (backpropagation) ?",
+        "options": [
+            "A) Il propage les entrées de la première à la dernière couche",
+            "B) Il calcule le gradient de la fonction d'erreur et met à jour les paramètres du réseau",
+            "C) Il supprime les neurones inutiles du réseau",
+            "D) Il compare les sorties de différents modèles"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Artificiels"
+    },
+    {
+        "question": "Qu'est-ce qu'une fonction d'activation dans un réseau de neurones ?",
+        "options": [
+            "A) Une fonction qui initialise les poids du réseau",
+            "B) Une fonction qui transforme la somme pondérée des entrées d'un neurone en sortie",
+            "C) Une fonction qui détermine la vitesse d'apprentissage",
+            "D) Une fonction qui compte le nombre de neurones actifs"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Artificiels"
+    },
+    {
+        "question": "Qu'est-ce qu'un hyperparamètre dans un réseau de neurones ?",
+        "options": [
+            "A) Un paramètre dont la valeur est apprise pendant l'entraînement",
+            "B) Un paramètre qui contrôle les autres paramètres",
+            "C) Un paramètre constant dont la valeur est fixée avant le début du processus d'apprentissage",
+            "D) Un paramètre qui change automatiquement pendant l'exécution"
+        ],
+        "correct": "C",
+        "category": "Hyperparamètres"
+    },
+    {
+        "question": "Parmi ces éléments, lequel n'est PAS un hyperparamètre ?",
+        "options": [
+            "A) Taux d'apprentissage",
+            "B) Poids des connexions entre neurones",
+            "C) Nombre de couches cachées",
+            "D) Taille des échantillons (batch size)"
+        ],
+        "correct": "B",
+        "category": "Hyperparamètres"
+    },
+    {
+        "question": "Quel est l'effet d'un taux d'apprentissage trop élevé ?",
+        "options": [
+            "A) L'apprentissage est plus lent mais plus stable",
+            "B) L'apprentissage est plus rapide mais potentiellement instable",
+            "C) L'apprentissage ne démarre pas",
+            "D) L'apprentissage est toujours meilleur"
+        ],
+        "correct": "B",
+        "category": "Hyperparamètres"
+    },
+    {
+        "question": "À quoi sert la technique de \"dropout\" dans un réseau de neurones ?",
+        "options": [
+            "A) À augmenter la vitesse d'entraînement",
+            "B) À réduire le surapprentissage en désactivant aléatoirement des neurones",
+            "C) À ajouter plus de neurones progressivement",
+            "D) À stabiliser la fonction d'activation"
+        ],
+        "correct": "B",
+        "category": "Hyperparamètres"
+    },
+    {
+        "question": "Qu'est-ce que la technique d'\"Early Stopping\" ?",
+        "options": [
+            "A) Arrêter l'entraînement après un nombre fixe d'époques",
+            "B) Interrompre l'entraînement lorsqu'il n'y a plus d'amélioration sur le jeu de validation",
+            "C) Commencer l'entraînement avec moins de neurones",
+            "D) Limiter le nombre d'exemples d'entraînement"
+        ],
+        "correct": "B",
+        "category": "Hyperparamètres"
+    },
+    {
+        "question": "Quelle est la définition du Deep Learning ?",
+        "options": [
+            "A) Une technique d'apprentissage automatique basée sur des arbres de décision profonds",
+            "B) Une catégorie d'IA qui exploite des réseaux de neurones artificiels avec plusieurs couches",
+            "C) Un algorithme spécifique pour l'analyse de données complexes",
+            "D) Une méthode d'apprentissage par renforcement avancée"
+        ],
+        "correct": "B",
+        "category": "Deep Learning"
+    },
+    {
+        "question": "Quelle est la principale différence entre le Deep Learning et le Machine Learning traditionnel ?",
+        "options": [
+            "A) Le Deep Learning nécessite moins de données",
+            "B) Le Machine Learning utilise des réseaux de neurones plus complexes",
+            "C) Le Deep Learning utilise des réseaux de neurones à plusieurs couches pour apprendre des représentations hiérarchiques",
+            "D) Le Machine Learning est plus récent que le Deep Learning"
+        ],
+        "correct": "C",
+        "category": "Deep Learning"
+    },
+    {
+        "question": "Lequel de ces modèles n'appartient PAS au Deep Learning ?",
+        "options": [
+            "A) CNN (Convolutional Neural Network)",
+            "B) RNN (Recurrent Neural Network)",
+            "C) SVM (Support Vector Machine)",
+            "D) Transformer"
+        ],
+        "correct": "C",
+        "category": "Deep Learning"
+    },
+    {
+        "question": "Pourquoi le Deep Learning est-il particulièrement efficace pour traiter des images ?",
+        "options": [
+            "A) Parce qu'il utilise moins de ressources computationnelles",
+            "B) Parce qu'il peut extraire automatiquement des caractéristiques hiérarchiques",
+            "C) Parce qu'il nécessite moins de données d'entraînement",
+            "D) Parce qu'il est plus simple à implémenter"
+        ],
+        "correct": "B",
+        "category": "Deep Learning"
+    },
+    {
+        "question": "Qu'est-ce que le \"transfer learning\" en Deep Learning ?",
+        "options": [
+            "A) Transférer des données d'un ordinateur à un autre",
+            "B) Transférer la connaissance acquise sur un jeu de données \"source\" pour mieux traiter un nouveau jeu de données \"cible\"",
+            "C) Transférer un modèle d'un langage de programmation à un autre",
+            "D) Transférer l'apprentissage d'un réseau de neurones à un autre type d'algorithme"
+        ],
+        "correct": "B",
+        "category": "Deep Learning"
+    },
+    {
+        "question": "Quelles sont les principales opérations appliquées dans un CNN ?",
+        "options": [
+            "A) Convolution, pooling et fonction d'activation",
+            "B) Addition, soustraction et multiplication",
+            "C) Encodage, décodage et normalisation",
+            "D) Segmentation, classification et régression"
+        ],
+        "correct": "A",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "À quoi sert l'opération de convolution dans un CNN ?",
+        "options": [
+            "A) À réduire la taille de l'image",
+            "B) À détecter les caractéristiques d'une image",
+            "C) À augmenter le nombre de pixels",
+            "D) À transformer l'image en noir et blanc"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Qu'est-ce que le \"pooling\" dans un CNN ?",
+        "options": [
+            "A) Une technique pour combiner plusieurs images",
+            "B) Une méthode pour réduire la dimensionnalité en conservant les informations importantes",
+            "C) Un algorithme de partage de poids",
+            "D) Une fonction d'activation spécifique aux CNN"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Quel est le rôle du \"flattening\" dans un CNN ?",
+        "options": [
+            "A) Transformer une matrice multidimensionnelle en vecteur unidimensionnel",
+            "B) Aplatir physiquement le matériel informatique",
+            "C) Réduire le nombre de couches du réseau",
+            "D) Éliminer les variations d'intensité dans une image"
+        ],
+        "correct": "A",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Qu'est-ce que le \"padding\" dans une couche de convolution ?",
+        "options": [
+            "A) Une technique pour augmenter la taille des filtres",
+            "B) L'ajout de zéros autour des bords d'une image avant la convolution",
+            "C) Un paramètre qui détermine la couleur de fond",
+            "D) Une méthode pour réduire le bruit dans l'image"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Que signifie le terme \"stride\" dans une couche de convolution ?",
+        "options": [
+            "A) La largeur des filtres utilisés",
+            "B) Le nombre de filtres appliqués",
+            "C) La distance de déplacement du filtre à chaque application",
+            "D) La profondeur de la couche de convolution"
+        ],
+        "correct": "C",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Parmi ces architectures, laquelle n'est PAS un modèle CNN ?",
+        "options": [
+            "A) VGG16",
+            "B) ResNet",
+            "C) LSTM",
+            "D) AlexNet"
+        ],
+        "correct": "C",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Quel type de problème un CNN n'est PAS conçu pour résoudre ?",
+        "options": [
+            "A) Classification d'images",
+            "B) Détection d'objets",
+            "C) Prédiction de séries temporelles",
+            "D) Segmentation sémantique"
+        ],
+        "correct": "C",
+        "category": "Réseaux de Neurones à Convolution (CNN)"
+    },
+    {
+        "question": "Pour quel type de données les RNN sont-ils particulièrement adaptés ?",
+        "options": [
+            "A) Images 2D",
+            "B) Données séquentielles (texte, séries temporelles)",
+            "C) Graphes",
+            "D) Tables de données structurées"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Récurrents (RNN)"
+    },
+    {
+        "question": "Quelle est la caractéristique principale des RNN par rapport aux réseaux feed-forward ?",
+        "options": [
+            "A) Ils utilisent plus de neurones",
+            "B) Ils ont une mémoire interne qui conserve des informations sur les états précédents",
+            "C) Ils sont plus rapides à entraîner",
+            "D) Ils nécessitent moins de données d'entraînement"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Récurrents (RNN)"
+    },
+    {
+        "question": "Quel problème majeur affecte les RNN simples lors de l'apprentissage de dépendances à long terme ?",
+        "options": [
+            "A) Le problème du gradient explosif",
+            "B) Le problème du gradient qui disparaît (vanishing gradient)",
+            "C) Le problème de surapprentissage",
+            "D) Le problème de sous-apprentissage"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Récurrents (RNN)"
+    },
+    {
+        "question": "Quelle architecture a été développée pour résoudre le problème du gradient qui disparaît dans les RNN ?",
+        "options": [
+            "A) CNN",
+            "B) LSTM (Long Short-Term Memory)",
+            "C) GAN",
+            "D) ResNet"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Récurrents (RNN)"
+    },
+    {
+        "question": "Quelles sont les trois opérations principales dans une cellule LSTM ?",
+        "options": [
+            "A) Convolution, pooling, activation",
+            "B) Encodage, traitement, décodage",
+            "C) Forget Gate, Input Gate, Output Gate",
+            "D) Lecture, écriture, mise à jour"
+        ],
+        "correct": "C",
+        "category": "Réseaux de Neurones Récurrents (RNN)"
+    },
+    {
+        "question": "À quoi sert la \"Forget Gate\" dans une cellule LSTM ?",
+        "options": [
+            "A) À supprimer complètement le réseau",
+            "B) À décider quelles informations de l'état précédent doivent être oubliées",
+            "C) À ignorer les nouvelles entrées",
+            "D) À réinitialiser tous les poids"
+        ],
+        "correct": "B",
+        "category": "Réseaux de Neurones Récurrents (RNN)"
+    },
+    {
+        "question": "Quelle est l'innovation principale introduite par l'architecture Transformer ?",
+        "options": [
+            "A) L'utilisation exclusive de couches de convolution",
+            "B) Le mécanisme d'attention qui remplace les connexions récurrentes",
+            "C) L'élimination complète des couches cachées",
+            "D) L'utilisation de fonctions d'activation plus complexes"
+        ],
+        "correct": "B",
+        "category": "Transformers et Mécanismes d'Attention"
+    },
+    {
+        "question": "Qu'est-ce que le \"Scaled Dot-Product Attention\" dans les Transformers ?",
+        "options": [
+            "A) Une technique pour augmenter la taille des matrices",
+            "B) Un mécanisme permettant de calculer l'importance relative entre différents éléments d'une séquence",
+            "C) Une méthode de normalisation des données",
+            "D) Un type de fonction d'activation"
+        ],
+        "correct": "B",
+        "category": "Transformers et Mécanismes d'Attention"
+    },
+    {
+        "question": "Que représentent les trois composantes Q, K, V dans le mécanisme d'attention ?",
+        "options": [
+            "A) Questions, Kilomètres, Valeurs",
+            "B) Qualité, Kinésie, Vitesse",
+            "C) Query (requête), Key (clé), Value (valeur)",
+            "D) Quantité, Kurtosis, Variance"
+        ],
+        "correct": "C",
+        "category": "Transformers et Mécanismes d'Attention"
+    },
+    {
+        "question": "Quelle est la différence entre le \"Self-Attention\" et le \"Multi-Head Attention\" ?",
+        "options": [
+            "A) Le Self-Attention s'applique à une seule séquence, tandis que le Multi-Head Attention combine plusieurs mécanismes d'attention en parallèle",
+            "B) Le Self-Attention utilise une tête, tandis que le Multi-Head Attention utilise plusieurs têtes physiques",
+            "C) Le Self-Attention est supervisé, tandis que le Multi-Head Attention est non supervisé",
+            "D) Le Self-Attention est utilisé pour les images, tandis que le Multi-Head Attention est utilisé pour le texte"
+        ],
+        "correct": "A",
+        "category": "Transformers et Mécanismes d'Attention"
+    },
+    {
+        "question": "Quelle est la particularité du \"Masked Multi-Head Attention\" utilisé dans le décodeur d'un Transformer ?",
+        "options": [
+            "A) Il masque certains neurones aléatoirement",
+            "B) Il empêche les positions de faire attention aux positions futures",
+            "C) Il cache certaines parties de l'image",
+            "D) Il supprime les mots peu fréquents"
+        ],
+        "correct": "B",
+        "category": "Transformers et Mécanismes d'Attention"
+    },
+    {
+        "question": "Quelle architecture a été introduite dans le papier \"Attention is All You Need\" ?",
+        "options": [
+            "A) ResNet",
+            "B) LSTM",
+            "C) Transformer",
+            "D) GAN"
+        ],
+        "correct": "C",
+        "category": "Transformers et Mécanismes d'Attention"
+    },
+    {
+        "question": "Quel est le principe de base d'un auto-encodeur ?",
+        "options": [
+            "A) Encoder les données puis les décoder pour retrouver l'entrée originale",
+            "B) Classer automatiquement les données en catégories",
+            "C) Générer de nouvelles données aléatoires",
+            "D) Compresser les données de manière irréversible"
+        ],
+        "correct": "A",
+        "category": "Auto-encodeurs"
+    },
+    {
+        "question": "Qu'est-ce qu'un \"bottleneck\" (goulot d'étranglement) dans un auto-encodeur ?",
+        "options": [
+            "A) Un problème technique qui ralentit l'entraînement",
+            "B) Une couche cachée de dimension réduite qui force le réseau à apprendre une représentation compressée",
+            "C) Un défaut dans l'architecture du réseau",
+            "D) Une limite dans la quantité de données qu'on peut traiter"
+        ],
+        "correct": "B",
+        "category": "Auto-encodeurs"
+    },
+    {
+        "question": "Comment calcule-t-on généralement l'erreur de reconstruction dans un auto-encodeur ?",
+        "options": [
+            "A) Par la différence entre le nombre de neurones d'entrée et de sortie",
+            "B) Par la distance entre les représentations latentes de différentes entrées",
+            "C) Par la différence entre l'entrée originale et la sortie reconstruite",
+            "D) Par le temps nécessaire à l'encodage et au décodage"
+        ],
+        "correct": "C",
+        "category": "Auto-encodeurs"
+    },
+    {
+        "question": "Qu'est-ce qui caractérise un \"Denoising Auto-Encoder\" ?",
+        "options": [
+            "A) Il produit des sorties sans bruit",
+            "B) Il ajoute du bruit aux données d'entrée et tente de reconstruire les données originales",
+            "C) Il filtre automatiquement les données bruitées",
+            "D) Il utilise le bruit comme fonction d'activation"
+        ],
+        "correct": "B",
+        "category": "Auto-encodeurs"
+    },
+    {
+        "question": "Quelle est l'utilité principale des auto-encodeurs en Deep Learning ?",
+        "options": [
+            "A) Uniquement pour la compression de données",
+            "B) Pour la génération d'images réalistes",
+            "C) Pour la capture de la structure des données et l'apprentissage de représentations utiles",
+            "D) Pour remplacer les réseaux convolutifs"
+        ],
+        "correct": "C",
+        "category": "Auto-encodeurs"
+    },
+    {
+        "question": "Quelle méthode est utilisée pour évaluer les performances d'un modèle de classification ?",
+        "options": [
+            "A) Régression linéaire",
+            "B) Matrice de confusion",
+            "C) Analyse en composantes principales",
+            "D) Clustering k-means"
+        ],
+        "correct": "B",
+        "category": "Questions Diverses"
+    },
+    {
+        "question": "Qu'est-ce que l'augmentation de données (data augmentation) en Deep Learning ?",
+        "options": [
+            "A) L'ajout de nouvelles caractéristiques aux données existantes",
+            "B) La création de données synthétiques pour augmenter la taille du jeu d'entraînement",
+            "C) L'application de transformations aux données existantes pour créer de nouveaux exemples d'entraînement",
+            "D) L'augmentation artificielle du nombre d'époques d'entraînement"
+        ],
+        "correct": "C",
+        "category": "Questions Diverses"
+    },
+    {
+        "question": "Quelle technique est utilisée pour éviter le surapprentissage dans les modèles de Deep Learning ?",
+        "options": [
+            "A) Augmenter le nombre de paramètres",
+            "B) Réduire le nombre d'exemples d'entraînement",
+            "C) Régularisation (comme L1, L2, dropout)",
+            "D) Utiliser uniquement des fonctions d'activation linéaires"
+        ],
+        "correct": "C",
+        "category": "Questions Diverses"
+    },
+    {
+        "question": "Dans quel cas utiliserait-on le transfert d'apprentissage (transfer learning) ?",
+        "options": [
+            "A) Lorsqu'on dispose de très grandes quantités de données d'entraînement",
+            "B) Lorsqu'on a peu de données pour un problème mais qu'il existe un modèle pré-entraîné sur un problème similaire",
+            "C) Uniquement pour les problèmes de traitement du langage naturel",
+            "D) Lorsqu'on veut transférer les données d'un ordinateur à un autre"
+        ],
+        "correct": "B",
+        "category": "Questions Diverses"
+    },
+    {
+        "question": "Quelle est la différence entre la segmentation sémantique et la détection d'objets ?",
+        "options": [
+            "A) La segmentation sémantique identifie chaque pixel d'une image, tandis que la d��tection d'objets localise les objets avec des boîtes englobantes",
+            "B) La segmentation sémantique fonctionne uniquement sur les images en noir et blanc",
+            "C) La détection d'objets est une technique dépassée, remplacée par la segmentation sémantique",
+            "D) Il n'y a pas de différence, ce sont deux termes pour la même technique"
+        ],
+        "correct": "A",
+        "category": "Questions Diverses"
+    }
+]
+
+# Fonction pour calculer les statistiques
+def calculate_stats(results):
+    if not results:
+        return "Aucune question répondue jusqu'à présent."
+    
+    total = len(results)
+    correct = sum(1 for r in results if r['correct'])
+    percentage = (correct / total) * 100 if total > 0 else 0
+    
+    # Regrouper par catégorie
+    categories = {}
+    for r in results:
+        cat = r['category']
+        if cat not in categories:
+            categories[cat] = {'total': 0, 'correct': 0}
+        categories[cat]['total'] += 1
+        if r['correct']:
+            categories[cat]['correct'] += 1
+    
+    # Formater la sortie
+    stats = f"## Résumé\n\n"
+    stats += f"- **Questions répondues:** {total}\n"
+    stats += f"- **Questions correctes:** {correct} ({percentage:.1f}%)\n\n"
+    stats += "## Par catégorie\n\n"
+    for cat, data in categories.items():
+        cat_percentage = (data['correct'] / data['total']) * 100 if data['total'] > 0 else 0
+        stats += f"- **{cat}:** {data['correct']}/{data['total']} ({cat_percentage:.1f}%)\n"
+    
+    return stats
+
+# État de l'application
+class AppState:
+    def __init__(self):
+        self.current_questions = []
+        self.current_index = 0
+        self.results = []
+        self.mode = "all"  # "all", "category" ou "wrong"
+        self.selected_category = None
+        
+    def reset_with_questions(self, new_questions, mode="all", category=None):
+        self.current_questions = new_questions.copy()
+        random.shuffle(self.current_questions)
+        self.current_index = 0
+        self.mode = mode
+        self.selected_category = category
+        
+    def get_current_question(self):
+        if not self.current_questions or self.current_index >= len(self.current_questions):
+            return None
+        return self.current_questions[self.current_index]
+    
+    def next_question(self):
+        if self.current_index < len(self.current_questions) - 1:
+            self.current_index += 1
+            return self.current_questions[self.current_index]
+        return None
+    
+    def prev_question(self):
+        if self.current_index > 0:
+            self.current_index -= 1
+            return self.current_questions[self.current_index]
+        return None
+    
+    def add_result(self, question, selected_option, is_correct):
+        result = {
+            'question': question['question'],
+            'selected_option': selected_option,
+            'correct': is_correct,
+            'category': question['category']
+        }
+        self.results.append(result)
+        return result