Module Spécial « Grand Oral NSI »
Trouvez votre sujet de Grand Oral, découvrez des plans d'exposé détaillés en 3 parties, maîtrisez les notions du programme de NSI mobilisées et préparez-vous aux questions pièges du jury.
Temps de Préparation
Mise au point de votre plan sans notes et réalisation facultative d'un support manuscrit pour le jury.
Présentation Debout
Exposé structuré de votre problématique, argumentation scientifique et conclusion sans être interrompu.
Échange avec le Jury
Questions d'approfondissement sur votre démarche, vérification des notions de NSI et projet d'orientation.
"Chaque jour, plus de 70% du temps passé sur YouTube est généré par son moteur de recommandation, représentant des milliards d'heures de visionnage calculées en quelques millisecondes."
Comment les structures de données matricielles et les algorithmes de filtrage collaboratif permettent-ils de prédire avec précision les préférences d'un utilisateur sans saturer les serveurs ?
Plan d'Exposé Structuré (10 Minutes)
1. Modélisation des données : De la base relationnelle aux matrices utilisateurs-contenus
- •Représentation sous forme de matrice creuse d'interactions (notes, temps de visionnage, clics).
- •Gestion des volumes massifs avec des tables SQL optimisées et indexées.
2. Algorithmes de filtrage : Filtrage basé sur le contenu vs Filtrage collaboratif
- •Filtrage collaboratif par similarité cosinus : trouver les profils voisins (algorithme des K-PPV / KNN).
- •Factorisation matricielle pour extraire les facteurs latents de préférences.
3. Le problème du 'Cold Start' et les compromis éthiques (bulles de filtres)
- •Comment recommander à un nouvel utilisateur sans historique de données.
- •Risque d'enfermement algorithmique et mécanismes de sérendipité (exploration vs exploitation).
La recommandation moderne allie structures de graphes complexes et optimisation matricielle, transformant une simple base de données en une expérience personnalisée en temps réel.
Questions Pièges du Jury & Réponses Recommandées
Quelle est la différence entre similarité cosinus et distance euclidienne dans l'algorithme des KNN ?
Réponse attendue : La distance euclidienne mesure l'écart absolu entre deux points, tandis que la similarité cosinus mesure l'angle entre deux vecteurs indépendamment de leur norme (très utile si un utilisateur note beaucoup plus souvent qu'un autre).
Comment stocke-t-on une matrice creuse en mémoire sans gaspiller d'espace ?
Réponse attendue : On utilise des dictionnaires de tuples de coordonnées non nulles `{(i, j): valeur}` ou le format CSR (Compressed Sparse Row) plutôt qu'un tableau 2D standard rempli de zéros.
Entraînez-vous à l'Épreuve Écrite avec le Bac Blanc
Passez un QCM officiel chronométré de 20 questions en 30 minutes ou entraînez-vous sur les 4 sujets officiels complets des Centres Étrangers (Togo).