Self-Assessment Quizzes
Test your knowledge for free on a dozen or more tech topics (Python, cybersecurity, cloud, AI, DevOps). Instant results and a free Essential Certificate as soon as you pass. Excellence Certificate available as an option for $9.99 USD.
No quizzes in this language.
Cybersécurité
Développement
Développement logiciel
IA generative
Prompt engineering
تقنيات صياغة التعليمات، والأمثلة القليلة، وسلسلة التفكير، وتقييم أمان الأوامر.
Prompt engineering
Prompting techniques, instruction structure, few-shot, chain of thought, evaluation and prompt safety.
Prompt engineering
Techniques de prompting, structuration des instructions, few-shot, chaine de raisonnement, evaluation et securite des prompts.
Spark et Machine Learning
01 — Jour 1 · Premier contact Spark
Ce quiz d'ouverture du jour 1 de la formation Spark 4 et Machine Learning vérifie vos premiers repères sur Spark, avec le cas fil rouge des courses de taxis jaunes de New York. Il couvre la préparation du poste (installation de PySpark, Java et Python sous Windows, environnement virtuel, droits limités, proxy, mode hors ligne, cluster Standalone avec Docker et variable SPARK_VERSION) et le contrôle de l'environnement, y compris l'écriture de fichiers Parquet. Il aborde aussi les notions de base : RDD, transformations et DAG, lecture d'un CSV en DataFrame, création de la SparkSession, lecture de la Spark UI (jobs, stages) et comparaison de performance entre CSV et Parquet. Un niveau débutant suffit, avec quelques notions de Python et de données tabulaires. À la fin, vous saurez diagnostiquer un poste mal configuré, expliquer ce que montre la Spark UI pour une action comme count(), et justifier le choix d'un format de stockage.
02 — Jour 1 · RDD, DAG et actions
Ce quiz du premier jour de la formation Spark 4 et Machine Learning porte sur les fondamentaux des RDD en PySpark, appliqués aux courses de taxis jaunes de New York. Il couvre le chargement d'un CSV avec en-tête et la suppression de cette ligne, l'extraction d'une colonne par indice, la différence entre transformations et actions, et l'évaluation paresseuse (un script sans action ne calcule rien). Il aborde aussi les PairRDD : le choix entre groupByKey et reduceByKey pour agréger un chiffre d'affaires par zone, le top 10 avec une instruction adaptée, la jointure avec un RDD de noms de zones (types des clés, forme (zid, (ca, nom))), ainsi que le découpage d'un job en stages autour des shuffles dans le DAG. Le niveau attendu est débutant à intermédiaire : il faut savoir lire et écrire du Python et connaître les bases de Spark. À la fin, l'apprenant saura vérifier si une instruction déclenche un calcul, prévoir le nombre de stages d'un job et repérer les erreurs fréquentes de typage ou de structure dans une chaîne de transformations sur RDD.
03 — Jour 1 · Cluster et HDFS
Ce quiz du premier jour vérifie votre maîtrise du fonctionnement d'un cluster Spark Standalone et de HDFS, sur le cas fil rouge des courses de taxis jaunes de New York. Il couvre la création de la session PySpark et le choix du master, la lecture de chemins locaux ou HDFS, le diagnostic d'erreurs courantes (connexion refusée sur le port 7077, versions de Python incohérentes entre driver et workers), ainsi que l'effet de l'ajout d'un worker sur un même poste. Il aborde aussi HDFS (taille de bloc, réplication, URI du système de fichiers par défaut), les opérations de base sur les RDD de paires comme l'agrégation par clé et la jointure, et la préparation d'un environnement Docker ou hors ligne avec PySpark, py4j et JDK 17. Un niveau débutant à intermédiaire suffit, avec des notions de Python et de ligne de commande. À l'issue du quiz, vous saurez identifier la cause probable d'un échec de lancement ou de lecture, prévoir le nombre de blocs et de réplicas d'un fichier, et choisir la bonne correction pour un cluster qui ne démarre pas.
04 - Jour 1 - Spark SQL
Ce quiz du jour 1 de la formation Spark 4 et Machine Learning porte sur Spark SQL, appliqué aux courses de taxis jaunes de New York. Il couvre la lecture de fichiers Parquet avec un schéma explicite et le choix des types (entiers 32 ou 64 bits, horodatages), ainsi que l'exposition de DataFrames sous forme de vues temporaires pour les interroger en SQL. Il aborde aussi les jointures entre une grosse table de courses et un petit référentiel de zones (dont la diffusion de la petite table), les agrégations de type top 10, les fonctions de date et de regroupement par période, l'optimisation d'une requête (filtres et colonnes poussés vers Parquet) et le comportement du mode ANSI, activé par défaut dans Spark 4. Le niveau attendu est intermédiaire : savoir lire et écrire des requêtes Spark SQL ou DataFrame courantes, sans connaître le détail interne de l'optimiseur. À l'issue du quiz, vous saurez vérifier qu'un schéma ou une requête produit le résultat attendu, prévoir l'effet du mode ANSI sur des valeurs invalides, et repérer les choix qui alourdissent inutilement un plan d'exécution.
05 — Jour 2 · Explorer avant de modeliser
Ce quiz de la deuxième journée porte sur l'exploration des données avant toute modélisation, à partir des courses de taxis jaunes de New York stockées dans un DataFrame Spark. Il couvre le calcul de tranches de montant avec floor et cast, la construction d'une heatmap par jour de semaine et par heure, le pivot, la numérotation de dayofweek et la lecture d'un nuage de points tarif/distance sur plusieurs millions de lignes. Il aborde aussi les pièges d'interprétation : le tarif forfaitaire qui forme un palier, la différence entre corrélation et causalité, l'accuracy trompeuse sur des classes déséquilibrées, le choix de la cible et des variables en régression, et l'effet de l'échelle des variables sur un K-means. Le niveau attendu est intermédiaire : vous connaissez déjà les DataFrames et les fonctions de pyspark.sql.functions, et vous avez des notions de Spark ML. À la fin, vous saurez vérifier si une agrégation ou un graphique rend bien compte des données, repérer une fuite de données ou un biais de lecture, et justifier un prétraitement avant d'entraîner un modèle.
06 — Jour 2 · Regression
Ce quiz du deuxième jour porte sur la régression avec Spark ML, appliquée à la prédiction du montant d'une course (fare_amount) dans le jeu de données des taxis jaunes de New York. Il couvre la construction d'un Pipeline (préparation des variables, VectorAssembler et colonne features, estimateur final), la séparation entraînement/test, la comparaison d'une régression linéaire et d'un arbre de régression (maxDepth=6), ainsi que le calcul et l'interprétation du RMSE et du R². Il aborde aussi le choix et l'impact des variables (distance, heure, passagers, arrondissement), les risques de fuite d'information depuis une colonne liée au label, et la lecture de l'importance des variables d'un arbre. Le niveau attendu est intermédiaire : il faut déjà connaître les DataFrames et l'API Python de Spark ML. À l'issue du quiz, vous saurez vérifier qu'un pipeline est correctement construit et entraîné, que l'évaluation est menée sans biais sur le jeu de test, et que les métriques et les comparaisons de modèles sont interprétées de façon fiable.
07 — Jour 2 · Classification et metriques
Ce quiz du jour 2 porte sur la classification binaire avec Spark MLlib, appliquée à la prédiction du pourboire sur les courses de taxis jaunes de New York (label défini par tip_amount > 0). Il couvre la construction d'un Pipeline (VectorAssembler, StandardScaler, Random Forest), le calcul du taux de la classe positive et le piège de l'accuracy sur des classes déséquilibrées, la lecture d'une matrice de confusion (précision, rappel, seuil de 0,5), ainsi que l'interprétation de la courbe ROC et de l'AUC via BinaryClassificationEvaluator. Il aborde aussi le réglage d'hyperparamètres avec ParamGridBuilder et CrossValidator (nombre de combinaisons et de modèles entraînés), la fuite de données (leakage) avec une feature comme l'heure d'arrivée, et le rôle de la mise à l'échelle des variables pour une SVM linéaire ou un K-means. Le niveau attendu est intermédiaire : il faut déjà connaître les bases de PySpark, des DataFrames et du vocabulaire du machine learning supervisé. À l'issue du quiz, l'apprenant saura vérifier la cohérence d'une définition de label, choisir et interpréter une métrique adaptée, repérer une fuite d'information et dimensionner une validation croisée.
08 — Jour 2 · Clustering
Ce quiz du jour 2 porte sur le clustering avec Spark ML, appliqué aux courses de taxis jaunes de New York. Il couvre K-means sur les variables trip_distance, total_amount et heure, la construction du pipeline (VectorAssembler, StandardScaler) et l'effet de l'absence de normalisation sur des variables d'échelles très différentes. Il aborde aussi le choix de k avec le score de silhouette calculé par ClusteringEvaluator, la lecture de ce score, la reproductibilité avec seed, et l'exploitation d'un modèle entraîné (centres, affectation des courses aux clusters). Une dernière partie ouvre sur l'analyse de graphes avec GraphFrames, par exemple pour repérer les zones les plus desservies à partir des identifiants de zones de prise en charge et de dépose. Le niveau attendu est intermédiaire : il faut connaître les bases de Spark SQL et des DataFrames et avoir déjà vu les pipelines Spark ML. À la fin, vous saurez vérifier qu'un pipeline de clustering est correct, interpréter une silhouette, comparer plusieurs valeurs de k sans tirer de conclusion hâtive, et repérer les erreurs de mise à l'échelle.
09 — Jour 3 · Streaming
Ce quiz de fin de formation porte sur Spark Structured Streaming, appliqué aux courses de taxis jaunes de New York et à des logs d'application de réservation. Il couvre la lecture de fichiers JSON et texte en continu, le contrôle du débit avec maxFilesPerTrigger, la jointure d'un flux avec un référentiel statique de zones, ainsi que les agrégations par arrondissement et les modes de sortie (complete, update, append). Il aborde aussi les fenêtres temporelles fixes et glissantes sur le temps d'événement, le rôle du watermark face aux données tardives, l'écriture au format Parquet et l'extraction de champs de lignes de log pour calculer des taux d'erreur ou des latences. Le niveau attendu est intermédiaire : il faut déjà maîtriser les DataFrames et Spark SQL et avoir suivi les deux premiers jours. À l'issue du quiz, vous saurez vérifier si une requête de streaming est correcte : choix du mode de sortie, comportement attendu de la fenêtre et du watermark, et résultat produit par un code donné.
10 - Jour 3 - ML sur un flux
Ce quiz de fin de formation vérifie que vous savez appliquer un modèle Spark ML à un flux de courses de taxis jaunes de New York avec Structured Streaming. Il couvre le rechargement d'un PipelineModel sauvegardé et son application à un DataFrame de streaming, l'interprétation des colonnes ajoutées par un classifieur binaire (prédiction, probabilité) pour la prédiction de pourboire, ainsi que la cohérence de la préparation des variables entre entraînement et inférence. Il aborde aussi les agrégations par fenêtre de temps sur une colonne TIMESTAMP_NTZ, le rôle du watermark avec le mode de sortie append, le dossier de checkpoint et les modifications de requête qui l'invalident, la lecture depuis Kafka ou depuis des fichiers Parquet et CSV, et l'effet de spark.sql.shuffle.partitions sur une requête agrégée. Un niveau intermédiaire est attendu : il faut connaître les bases de Spark SQL, des DataFrames et de Spark ML. À la fin, vous saurez repérer pourquoi une requête échoue ou donne des résultats inattendus, et choisir la bonne configuration pour un traitement continu fiable.
My Certificates
Your achievements, saved. Retaking a quiz may issue a new certificate: your best score stays displayed here, and no achievement is ever removed.
Full attempt history in your account.
How it works
20 questions drawn at random from a larger pool, to prevent rote memorization.
Instant grading and an explanation after each question, to turn every mistake into a learning opportunity.
Pass the quiz with an account and walk away with a PDF that can be verified online, at no cost.
Unlocks a 40-question version with unlimited attempts and a separate certificate that stands out more on a résumé.