Sciences numériques et technologie · Seconde
Apprentissage automatique : quiz de Seconde SNT
Publié le 9 novembre 2026 · Mis à jour le 9 novembre 2026 · Signaler une erreur
L'essentiel
- L'apprentissage automatique (machine learning) permet à un programme de s'améliorer à partir de données plutôt que de suivre uniquement des règles écrites à la main ; il fait réfléchir à la gestion et à l'usage des données.1
- Des données bien étiquetées sont une notion de base : le modèle ne vaut que ce que valent les exemples qu'on lui donne.1
- Un jeu de données déséquilibré produit des biais algorithmiques, qui peuvent prolonger des stéréotypes.1
- L'apprentissage par renforcement traite un problème comme une suite de décisions, comme pour le pendule inversé.2
Avant de commencer
Ce quiz porte sur l'apprentissage automatique, que l'on appelle aussi machine learning.1 Tu y retrouveras le vocabulaire du chapitre sur l'intelligence artificielle : données, étiquettes, biais, décisions. Quelques questions demandent un petit calcul, d'autres un raisonnement sur une situation concrète.
Quiz
12 questions · correction immédiate · ton score reste sur ton appareil.
-
« Apprentissage automatique » est la traduction usuelle de machine learning, et les ressources officielles utilisent les deux formes côte à côte.1 Le calcul distribué répartit un travail entre plusieurs machines, ce qui n'a rien à voir avec l'apprentissage. La programmation événementielle réagit à des actions de l'utilisateur, et le chiffrement protège des données : aucun des deux ne concerne un modèle qui s'améliore avec des exemples.
-
La recommandation de produits, la personnalisation d'un fil d'activité et l'aide au diagnostic médical figurent parmi les usages cités pour montrer que l'IA est omniprésente.1 L'impression d'une page est une opération mécanique commandée par un pilote : aucun apprentissage n'y entre. Attention à ne pas cocher une proposition simplement parce qu'elle contient un appareil numérique.
-
Un jeu de données qui ne représente pas toutes les conditions réelles introduit un biais : le modèle n'a jamais vu d'exemples de nuit, donc il généralise mal.1 Il ne s'adapte pas magiquement : il ne sait que ce que ses exemples lui ont montré. Il n'y a pas d'erreur de syntaxe, puisque le programme tourne ; c'est la qualité des réponses qui baisse. Enfin, rien n'indique que l'obscurité aide la reconnaissance.
-
Les biais algorithmiques et les discriminations liées aux jeux de données font partie de ce que l'on fait découvrir aux élèves : si les exemples reflètent des stéréotypes, le modèle les reproduit.1 Une panne de processeur est un problème matériel, une faute de frappe est un bogue de programmation et une coupure réseau est un incident de communication. Seule la première proposition touche à la façon dont les données orientent le résultat.
-
C'est vrai : un jeu en ligne accessible à tout niveau explicite l'apprentissage machine, les données bien étiquetées et les biais.1 Penser que ces notions ne concernent que des spécialistes est l'erreur tentante : on les aborde dès le lycée, avec de petites activités. Une étiquette, c'est la réponse attendue associée à chaque exemple ; si elle est fausse, le modèle apprend de travers.
-
Pour apprendre à classer, le modèle a besoin d'exemples étiquetés : l'objet et la réponse attendue.1 Une liste de prix n'aide pas à reconnaître un objet. Des images sans catégorie ne disent pas au modèle où ranger chaque objet, ce qui rend l'apprentissage impossible dans cette configuration. Un règlement est un texte pour des humains, pas un jeu d'exemples exploitable ici.
-
Le pendule inversé, une tige à maintenir en équilibre, illustre l'apprentissage par renforcement.2 Trier une liste, calculer un pourcentage ou compresser une image se font avec des algorithmes classiques, sans phase d'apprentissage par essais. Le piège est de croire que tout problème informatique relève de l'IA.
-
Dans cette approche, le modèle doit choisir une action après l'autre, par exemple déplacer vers la gauche ou vers la droite le chariot qui porte la tige.2 Le classement d'images étiquetées correspond à un autre mode d'apprentissage, celui des exemples avec réponses attendues. La moyenne et le stockage ne sont pas des décisions successives.
-
Le texte du programme évoque des conséquences sociales, économiques, cognitives et civiques.3 Les conséquences géologiques n'y figurent pas : c'est l'intrus. Garde en tête cette liste, car elle justifie la place de l'IA dans l'enseignement.
-
On divise le nombre d'images bien classées par le nombre total : , soit 85 %. L'erreur fréquente est de diviser par 204 au lieu de 240, ou de compter les erreurs (36 images) à la place des réussites. Ce taux mesure la qualité sur ce test, mais ne dit rien des biais éventuels du jeu d'exemples.1
-
On calcule images. Il t'en reste donc 600 pour l'apprentissage. L'erreur classique est de répondre 600, qui est le reste, ou 25, qui reprend le pourcentage sans l'appliquer. Garder des images à part permet de juger le modèle sur des exemples nouveaux, ce qui limite l'illusion d'un bon résultat.
-
Un programme classique applique les instructions de son auteur, alors qu'un modèle d'apprentissage automatique tire son comportement d'un jeu d'exemples.1 La deuxième proposition inverse les rôles. La troisième est fausse : la méthode diffère, pas seulement la vitesse. La quatrième oublie que sans données, il n'y a rien à apprendre.
Les questions qu'on se pose
Quelle différence entre apprentissage automatique et intelligence artificielle ?
L'intelligence artificielle est le domaine large ; l'apprentissage automatique en est une approche, dans laquelle un modèle s'ajuste à partir de données. Dans les ressources officielles, l'initiation au machine learning sert justement de première porte d'entrée pour sensibiliser à la gestion et à l'utilisation des données.1
Faut-il des mathématiques avancées pour comprendre ce chapitre ?
Sources
- Les enjeux éthiques de l'intelligence artificielle, Éduscol. Consulté le 9 novembre 2026.
- Cahier ÉduNum SNT-NSI : Séminaire IAN informatique (avril 2026), Éduscol. Consulté le 9 novembre 2026.
- Révision du programme de Sciences numériques et technologie (SNT) de seconde, Ministère de l'Éducation nationale. Consulté le 9 novembre 2026.
Les numéros dans le texte renvoient à ces sources. Une source qui ne dit pas ce qu'on lui fait dire ? Signale-le.