Qualifications · Labo réussite IT Passport
Les questions et les explications sont disponibles en Français. Les cours (articles explicatifs) n'existent qu'en japonais.
Voir la version japonaise (avec les cours) →
Quelle est la valeur en décimal du nombre binaire 1011 ?
Chaque rang d'un nombre binaire pèse, de droite à gauche, 1, 2, 4, 8. Pour 1011, on obtient 8×1 + 4×0 + 2×1 + 1×1 = 11. 9 s'écrit 1001 en binaire, 13 s'écrit 1101 et 15 s'écrit 1111 : aucun ne correspond à 1011.
Quelle est l'écriture binaire du nombre décimal 45 ?
En divisant 45 par 2 et en relevant les restes, on obtient de bas en haut 1, 0, 1, 1, 0, 1, soit 101101 en lisant à rebours. Vérification : 32 + 8 + 4 + 1 = 45. 101011 vaut 43, 110101 vaut 53 et 111001 vaut 57 : aucun ne donne 45.
Quelle est la valeur en décimal du nombre hexadécimal 2F ?
Le deuxième rang hexadécimal pèse 16, et F représente 15. On obtient 2×16 + 15 = 47. 31 s'écrit 1F en hexadécimal, 43 s'écrit 2B et 62 s'écrit 3E : aucun ne correspond à 2F. Retenir qu'en hexadécimal, A à F représentent 10 à 15.
Quelle est l'écriture hexadécimale du nombre binaire 11010110 ?
Quatre chiffres binaires correspondent à un chiffre hexadécimal : on découpe 11010110 en 1101 et 0110. 1101 vaut 13, c'est-à-dire D, et 0110 vaut 6, d'où D6. 6D correspond à 01101101, B6 à 10110110 et C6 à 11000110 : aucun ne coïncide avec la valeur d'origine.
Combien de nombres binaires non signés peut-on représenter sur 8 bits ?
Avec n bits, on représente 2 puissance n états : 8 bits donnent 2 puissance 8 = 256 valeurs (0 à 255 en décimal). 8 est le nombre de bits lui-même, 16 correspond à 4 bits et 128 à 7 bits : aucun n'est le nombre de combinaisons de 8 bits.
On veut représenter 50 symboles en associant à chacun une suite de bits distincte. Quel est le nombre minimal de bits nécessaire ?
Avec n bits, on distingue 2 puissance n valeurs. 2 puissance 5 = 32 ne suffit pas pour 50 symboles, tandis que 2 puissance 6 = 64 suffit : il faut au minimum 6 bits. 5 bits ne représentent que 32 valeurs, ce qui est insuffisant. 7 bits (128 valeurs) et 8 bits (256 valeurs) permettent aussi la représentation, mais ne satisfont pas la condition de minimum.
Quel est le résultat du ET logique (AND) entre les nombres binaires 10110011 et 00001111 ?
Le ET logique donne 1 uniquement quand les deux bits valent 1. Les 4 bits de poids fort donnent 0 car l'autre opérande y vaut 0, et les 4 bits de poids faible conservent 0011 : le résultat est 00000011. 00001111 n'est que l'autre opérande, et 10111111 est le résultat du OU logique (OR). 10110000 correspondrait à un masquage par 11110000 et non par 00001111, c'est-à-dire à l'extraction des 4 bits de poids fort.
Quel est le résultat du OU exclusif (XOR) entre les nombres binaires 1101 et 1011 ?
Le OU exclusif donne 1 uniquement quand les bits diffèrent. De gauche à droite : 1 et 1 donnent 0, 1 et 0 donnent 1, 0 et 1 donnent 1, 1 et 1 donnent 0, soit 0110. 1001 est le résultat du ET logique et 1111 celui du OU logique ; 0100 ne correspond au résultat d'aucune opération de base.
Quelle est la représentation du nombre décimal −5 en complément à deux sur 8 bits ?
Le complément à deux s'obtient en inversant chaque bit du nombre puis en ajoutant 1. 5 s'écrit 00000101 ; l'inversion donne 11111010, et l'ajout de 1 donne 11111011. 11111010 n'est que l'inversion (complément à un) sans l'ajout de 1. 10000101 n'est que la représentation signe et valeur absolue, avec un bit de signe 1 en tête, et 11111100 représente −4.
Quelle expression donne toujours le même résultat que NOT(A AND B) ? Ici, NOT désigne la négation, AND le ET logique et OR le OU logique.
D'après les lois de De Morgan, la négation d'un ET logique est le OU logique des négations de chaque terme : NOT(A AND B) équivaut donc à NOT A OR NOT B. NOT A AND NOT B est une autre expression, égale à NOT(A OR B) ; A OR B, sans négation, donne le résultat opposé ; et A AND NOT B, qui ne nie que B, ne convient pas. On peut le vérifier en dressant la table de vérité des 4 cas.
Une enquête auprès de 100 employés montre que 60 personnes utilisent le système A, 45 le système B et 25 les deux. Combien de personnes n'utilisent ni A ni B ?
Le nombre de personnes utilisant au moins un système s'obtient en retirant une fois le recouvrement : 60 + 45 − 25 = 80 personnes. Ceux qui n'utilisent ni l'un ni l'autre sont donc 100 − 80 = 20 personnes. 10 et 15 proviennent d'une soustraction erronée du recouvrement, et 25 est le nombre de personnes utilisant les deux, ce qui n'est pas la question.
Pour deux entrées A et B, dans quel cas le résultat du OU exclusif (XOR) vaut-il 1 ?
Le OU exclusif vaut 1 uniquement quand les valeurs des entrées diffèrent, et 0 quand elles sont égales. Quand les deux valent 1, le résultat est 0 ; l'opération qui vaut alors 1 est le ET logique. Quand les deux valent 0, le résultat est aussi 0. Le cas des valeurs égales décrit la négation du OU exclusif (circuit de coïncidence), au résultat inverse.
Une loterie compte 100 billets : 1 billet de 1er prix à 5000 yens, 5 billets de 2e prix à 1000 yens, le reste étant perdant à 0 yen. Quelle est l'espérance du montant gagné en tirant un billet ?
L'espérance s'obtient en additionnant tous les produits « montant × probabilité » : (5000×1 + 1000×5) ÷ 100 = 10000 ÷ 100 = 100 yens. 150 et 200 proviennent d'une erreur dans la multiplication des montants ou des nombres de billets, et 600 yens vient de la multiplication de la probabilité de gagner 6÷100 par le total des lots de 10000 yens, sans appliquer sa probabilité à chaque montant.
On lance en même temps deux dés, un grand et un petit. Quelle est la probabilité que la somme des faces soit 7 ?
Il y a en tout 6×6 = 36 issues. La somme 7 s'obtient avec (1,6), (2,5), (3,4), (4,3), (5,2), (6,1), soit 6 issues : 6÷36 = 1/6. 1/12 correspondrait à 3 issues, 1/9 à 4 issues et 1/8 à 4,5 issues : aucun ne correspond au nombre de combinaisons valables.
De combien de façons peut-on choisir 2 représentants parmi 6 personnes ? L'ordre des 2 personnes choisies n'est pas distingué.
Un choix sans distinction d'ordre se calcule par une combinaison : (6×5) ÷ (2×1) = 15 façons. 30 est la valeur de l'arrangement 6×5 qui distingue l'ordre et compte deux fois la même paire. 12 vient de 6×2 et 36 de 6×6 : ces façons de compter sont erronées.
De combien de façons peut-on aligner 4 personnes sur une file ?
Il y a 4 possibilités pour la première place, 3 pour la deuxième, 2 pour la troisième et 1 pour la quatrième : 4×3×2×1 = 24 façons. 12, soit 4×3, ne compte que deux places ; 16, soit 4×4, compte plusieurs fois les mêmes personnes ; et 4 n'est que le nombre de personnes : aucun n'est le total des alignements.
Les notes de 5 personnes à un test sont 10, 20, 20, 30 et 120. Quelle est la médiane de ces 5 valeurs ?
La médiane est la valeur du milieu quand les données sont classées par ordre de grandeur : sur 5 valeurs, c'est la 3e, soit 20. 40 est la moyenne (total 200 ÷ 5), tirée vers le haut par la valeur extrême 120. 30 est la 4e valeur et 120 le maximum : aucune n'est la médiane.
Quel est l'écart type des données 2, 4, 4, 4, 5, 5, 7, 9 ? La moyenne de ces données est 5, et la variance se calcule en divisant par le nombre de valeurs.
Les carrés des écarts à la moyenne sont 9, 1, 1, 1, 0, 0, 4, 16, pour un total de 32. La variance vaut 32÷8 = 4, et l'écart type en est la racine carrée, soit 2. 4 est la variance donnée telle quelle, 8 est le nombre de valeurs, et 1 n'est qu'une partie des carrés d'écart : aucun n'est l'écart type.
Que représente l'écart type ?
L'écart type est la racine carrée de la variance : il exprime à quel point les données s'éloignent et se dispersent autour de la moyenne. Plus il est petit, plus les données sont regroupées près de la moyenne. Les autres propositions décrivent la moyenne, la médiane et le mode : ce sont des valeurs représentatives des données qui n'expriment pas l'ampleur de la dispersion.
Le coefficient de corrélation entre deux séries de données vaut −0,9. Que peut-on en dire ?
Le coefficient de corrélation prend ses valeurs entre −1 et +1 ; proche de −1, il indique une forte corrélation négative, où l'une diminue quand l'autre augmente. L'absence de relation correspond à une valeur proche de 0 et la forte corrélation positive à une valeur proche de +1, de signe opposé. Quant à la causalité, une corrélation même forte ne prouve jamais une relation de cause à effet.
Quelle est la description appropriée de l'analyse de régression ?
L'analyse de régression consiste à ajuster aux données réelles une formule donnant la valeur d'une variable à partir d'une autre, comme prédire les ventes à partir des dépenses publicitaires. La répartition en groupes est le clustering, la découverte de combinaisons d'achats l'analyse de panier (analyse d'association) et l'extraction d'échantillons le sondage : aucune n'est une méthode produisant une formule de prédiction.
Combien de secondes vaut 1 nanoseconde ?
Nano (n) est le préfixe qui représente 10 puissance −9. 10 puissance −3 correspond à milli (m), 10 puissance −6 à micro (μ) et 10 puissance −12 à pico (p). Vers le petit, milli, micro, nano et pico deviennent chacun 1000 fois plus petits que le précédent.
Quelle valeur obtient-on en arrondissant 37,462 à la deuxième décimale (arrondi commercial) ?
Le chiffre de la deuxième décimale est 6 : comme il vaut 5 ou plus, on ajoute 1 à la première décimale, ce qui donne 37,5. 37,4 correspond à une troncature de la deuxième décimale, 37,46 à un arrondi de la troisième décimale et 38,0 à un arrondi vers le haut de la première décimale : aucun n'applique l'arrondi demandé à la position demandée. En arrondissant à la première décimale, on obtiendrait 37.
Quelle est la description appropriée de l'UTF-8 ?
L'UTF-8 est un codage qui représente les caractères Unicode sur 1 à 4 octets de longueur variable ; les caractères alphanumériques tiennent sur 1 octet comme en ASCII, d'où une grande compatibilité, et c'est le codage le plus répandu sur le Web. La première proposition décrit l'ASCII et la troisième s'approche des codes japonais comme Shift_JIS. La dernière décrit un format d'image et non un code de caractères : c'est tout autre chose.
Quelle est la description appropriée du code ASCII ?
L'ASCII est le code de caractères le plus fondamental : il représente sur 7 bits 128 caractères alphanumériques, symboles et caractères de contrôle, et ne traite pas le japonais. Les codes créés pour le japonais sont notamment Shift_JIS et EUC-JP, et le système visant tous les caractères du monde est Unicode. La conversion de la voix décrit la conversion analogique-numérique, sans rapport avec les codes de caractères.
Quel est l'ordre correct des opérations de conversion d'une voix analogique en données numériques ?
On lit d'abord la hauteur de l'onde à intervalles réguliers (échantillonnage), puis on remplace chaque valeur lue par un niveau parmi un nombre déterminé de paliers (quantification), et enfin on convertit ces valeurs en suites de bits 0 et 1 (codage). Les autres propositions intervertissent cet ordre : on ne peut ni classer par paliers ni coder avant d'avoir lu les valeurs.
On veut enregistrer un son contenant des fréquences allant jusqu'à 20 kHz de façon à pouvoir reconstituer la forme d'onde d'origine, conformément au théorème d'échantillonnage. Quelle est la fréquence d'échantillonnage minimale nécessaire ?
D'après le théorème d'échantillonnage, on peut reconstituer la forme d'onde d'origine en échantillonnant à une fréquence supérieure au double de la fréquence maximale du signal. Il faut donc environ 40 kHz, soit le double de 20 kHz. Les trois autres valeurs n'atteignent pas le double de la fréquence maximale et ne permettent pas de reconstituer correctement la forme d'onde.
Quel est approximativement, en octets, le volume de données d'un enregistrement audio de 60 secondes à la fréquence d'échantillonnage de 44,1 kHz, avec une quantification sur 16 bits, en stéréo (2 canaux) ? On n'applique aucune compression, 1 kHz vaut 1000 fois par seconde et 1 Moctet vaut 10 puissance 6 octets.
44100×16×2×60 = 84 672 000 bits ; en divisant par 8, on obtient 10 584 000 octets, soit environ 10,6 Moctets. 5,3 Moctets correspond à un calcul en mono, 2,6 Moctets à un calcul en mono avec une quantification sur 8 bits, et 21,2 Moctets à un calcul avec une quantification sur 32 bits.
Quel est approximativement, en octets, le volume d'une image non compressée de 640 pixels de large sur 480 pixels de haut, en couleurs vraies à 24 bits par pixel ? On considère que 1 Koctet vaut 1000 octets et 1 Moctet 10 puissance 6 octets.
24 bits représentent 3 octets, donc 640×480×3 = 921 600 octets, soit environ 922 Koctets. Environ 7,4 M correspond au nombre de bits laissé tel quel sans conversion en octets, environ 307 K à un calcul avec 8 bits (1 octet) par pixel, et environ 38 K à 1 bit par pixel : aucun ne respecte les conditions.
On transfère 1 Goctet de données sur une ligne de 100 Mbit/s. Avec une efficacité de transmission de 50 %, combien de secondes le transfert demande-t-il ? On considère que 1 Goctet vaut 10 puissance 9 octets et 1 Mbit/s 10 puissance 6 bits par seconde.
1 Goctet vaut 8×10^9 bits. Avec une efficacité de 50 %, le débit effectif est de 50×10^6 bits par seconde, d'où 8×10^9 ÷ (50×10^6) = 160 secondes. 80 secondes correspond à un calcul à 100 % sans tenir compte de l'efficacité, tandis que 320 et 640 secondes cumulent des erreurs de conversion octets-bits ou de traitement de l'efficacité.
Quelle est la description appropriée de l'apprentissage supervisé en apprentissage automatique ?
L'apprentissage supervisé apprend la relation entre entrées et réponses à partir de données étiquetées, pour pouvoir prédire face à des entrées inconnues. La découverte de structures sans réponse est l'apprentissage non supervisé et l'acquisition par récompenses l'apprentissage par renforcement. L'écriture manuelle de toutes les règles est une approche à base de règles, qui n'est pas de l'apprentissage automatique tirant des régularités des données.
Quel est un exemple approprié d'application de l'apprentissage non supervisé ?
L'apprentissage non supervisé découvre structures et regroupements dans les données sans réponse fournie : le regroupement de clients (clustering) en est l'exemple représentatif. La prédiction des ventes et le filtrage des courriels apprennent de données avec réponses, c'est de l'apprentissage supervisé, et l'acquisition d'un comportement par récompenses est l'apprentissage par renforcement : aucun n'est de l'apprentissage non supervisé.
Quelle est la description appropriée de l'apprentissage par renforcement ?
L'apprentissage par renforcement apprend par essais et erreurs, à partir des récompenses reçues pour les actions prises dans chaque état, la façon de choisir les actions qui maximise la somme des récompenses ; il sert aux IA de go ou à la commande de robots. L'apprentissage à partir de données avec réponses est supervisé et le regroupement automatique non supervisé. La correction manuelle des données est un prétraitement, pas une catégorie d'apprentissage.
Quelle est la description appropriée du deep learning (apprentissage profond) ?
Le deep learning empile en profondeur les couches intermédiaires d'un réseau de neurones imitant les connexions des cellules nerveuses du cerveau : il extrait automatiquement des données les caractéristiques pertinentes sans qu'un humain les désigne. L'agrégation au tableur est de l'analyse manuelle, l'application de règles un raisonnement à base de règles et le chiffrement une technique de sécurité : rien de tout cela n'est l'apprentissage profond.
Quelle est la description appropriée du surapprentissage (overfitting) en apprentissage automatique ?
Le surapprentissage est le phénomène où le modèle mémorise jusqu'aux détails des données d'entraînement : la précision est élevée sur celles-ci mais chute sur les données inconnues. Le manque de données est un autre problème, la réutilisation d'un modèle est l'apprentissage par transfert et l'excès de calculs une question de ressources : aucun ne désigne l'ajustement excessif aux données d'entraînement.
En apprentissage automatique, quel est l'objectif principal de la séparation des données disponibles en données d'entraînement et données de test ?
Mesurer la précision avec les données ayant servi à l'apprentissage donne des valeurs élevées même si le modèle ne fait que les mémoriser. Évaluer avec des données de test non utilisées pour l'apprentissage permet de mesurer correctement la capacité réelle face à des données inconnues. Le gain de temps n'est pas l'objectif principal, la protection des informations personnelles relève d'autres mesures comme l'anonymisation, et la correction automatique des erreurs n'est pas obtenue par cette séparation.
On a entraîné un modèle avec un grand nombre de courriels reçus par le passé, étiquetés « indésirable » ou « normal », pour juger dans quelle catégorie ranger chaque nouveau courriel. Quelle est cette méthode d'apprentissage ?
L'apprentissage se fait avec des données préalablement étiquetées de la réponse (la catégorie) : c'est de l'apprentissage supervisé, et la sortie étant une catégorie, il s'agit d'une classification. L'apprentissage non supervisé ne fournit pas de réponse et l'apprentissage par renforcement apprend les actions à partir de récompenses. L'apprentissage par renforcement profond combine renforcement et réseaux de neurones et ne s'applique pas à ce cas utilisant des étiquettes de réponse.
Quelle est la valeur finale de la variable x après le traitement suivant ? On affecte d'abord 1 à la variable x. Puis on répète 3 fois le traitement « affecter à x le double de la valeur courante de x ».
x part de 1, devient 2 à la première itération, 4 à la deuxième et 8 à la troisième : la réponse est 8. 2 est la valeur après la première itération et 4 celle après deux itérations seulement. 6 correspondrait à l'addition de 2 trois fois, ce qui n'est pas le résultat d'un doublement répété.
On cherche une donnée parmi 1000 données déjà triées en ordre croissant, par recherche dichotomique. Quel est le nombre maximal de comparaisons nécessaires ?
Chaque comparaison de la recherche dichotomique divise les candidats par deux. 2 puissance 9 = 512 ne suffit pas pour 1000 données, tandis que 2 puissance 10 = 1024 les dépasse : on trouve donc en 10 comparaisons au maximum. 500 est proche du nombre moyen de comparaisons d'une recherche linéaire, et 7 comme 9 n'offrent pas assez de divisions par deux.
Lors d'une recherche linéaire parmi n données, si la donnée cherchée est toujours présente une fois et peut se trouver à n'importe quelle position avec la même probabilité, quel est le nombre moyen de comparaisons ?
Les cas où l'on trouve à la 1re comparaison jusqu'à la n-ième sont équiprobables : la moyenne vaut (1+2+…+n)÷n = (n+1)÷2 comparaisons. n comparaisons est le nombre du pire cas, et log2 n l'ordre de grandeur de la recherche dichotomique. n÷4 est une valeur sans fondement.
Un tableau contient, du début à la fin, les éléments 3, 1, 4, 1, 5. On effectue une passe consistant à comparer les paires d'éléments voisins depuis le début et à les échanger si celui de gauche est plus grand que celui de droite. Quel est l'ordre du tableau juste après cette passe ?
On compare 3 et 1 et on les échange : 1, 3, 4, 1, 5 ; 3 et 4 restent tels quels ; on échange 4 et 1 : 1, 3, 1, 4, 5 ; 4 et 5 restent tels quels. L'ordre entièrement trié n'est pas atteignable en une seule passe. 1, 3, 4, 1, 5 est l'état intermédiaire après le seul premier échange, et 3, 1, 1, 4, 5 l'ordre obtenu si l'on avait poursuivi la passe sans échanger 3 et 1 au début.
Dans une pile vide, on empile (push) 1, 2, 3 dans cet ordre, puis on dépile (pop) une fois, on empile 4, puis on dépile deux fois. Quelles sont les valeurs retirées, dans l'ordre de retrait ?
La pile est en dernier entré, premier sorti : le premier pop retire 3, le dernier entré. Après l'empilement de 4, le pop suivant retire 4, puis le pop d'après retire 2 : on obtient 3, 4, 2. La suite 1, 2, 3 correspondrait plutôt à une file premier entré, premier sorti, et les deux autres suites intervertissent l'ordre des retraits.
Quelle est la caractéristique appropriée de la structure de liste ?
Dans une liste, chaque élément détient la position (le pointeur) de l'élément suivant : il suffit de raccorder les pointeurs pour insérer ou supprimer en cours de liste. La zone contiguë indexée décrit le tableau, le dernier entré premier sorti la pile et le premier entré premier sorti la file : aucune n'est la caractéristique de la liste.
Quel format léger de description de données, écrit sous forme de paires nom-valeur entre accolades et capable de représenter des structures imbriquées, est largement utilisé pour l'échange de données des applications Web ?
JSON est un format léger représentant des paires nom-valeur entre accolades, largement utilisé pour l'échange de données sur le Web. CSV est un format tabulaire séparant les valeurs par des virgules, XML un langage de balisage exprimant sens et structure des données par des balises personnalisées, et HTML le langage de balisage décrivant la structure des pages Web.
Quel langage de programmation est largement utilisé dans l'analyse statistique et l'analyse de données, avec de riches fonctions de tracé de graphiques ?
R est un langage de programmation spécialisé dans l'analyse statistique et l'analyse de données, riche en méthodes statistiques et en fonctions de tracé de graphiques. HTML est un langage de balisage décrivant la structure des pages Web, SQL un langage de requête manipulant les bases de données et XML un langage de balisage exprimant sens et structure des données : aucun n'est un langage de programmation pour l'analyse statistique.
Cet outil d'entraînement pose les questions dans un ordre aléatoire (il fonctionne lorsque JavaScript est activé). Vous pouvez de toute façon lire toutes les questions et explications ci-dessus.
* Les explications sont fournies à titre d'information pour l'étude. Le programme et le système des examens changent selon les années : vérifiez toujours les annonces officielles de l'organisme qui organise l'examen.
Cette page est une traduction du texte original japonais. En cas de différence entre la traduction et l'original, la version japonaise fait foi. Voir l'original en japonais