Dans le cadre du Machine Learning (apprentissage automatique), nous disposons d’un morceau de code (appelé algorithme) pour trouver des modèles/patterns dans les données en analysant un grand nombre de données antérieures disponibles (ce processus s’appelle l’apprentissage ou l’entraînement). Par exemple, la taille d’une personne adulte et la taille de son père ont un modèle : Taille du père=m*(taille de la personne)+c.
Sur la base des modèles observés, l’algorithme crée une équation mathématique en ajustant les paramètres (ici m et c) et en trouvant les meilleurs paramètres qui peuvent donner une correspondance précise des données (ici, il trouve les meilleures valeurs pour les paramètres m et c, qui peuvent représenter les données), ce qui est appelé un modèle (disons, Taille du père=1*Taille de la personne+0,5).
Maintenant, avec le modèle que nous avons, si quelqu’un dit sa taille, nous pouvons prédire la taille de son père avec le modèle que nous avons (l’équation), n’est-ce pas ? Ne m’en veux pas si cela ne donne pas la bonne prédiction pour ta taille et celle de ton père ! Les valeurs sont factices !
Mais il existe une multitude d’algorithmes. Dans le cadre du Machine Learning, nous étudions ces algorithmes afin de trouver le meilleur algorithme capable d’établir des prédictions précises à partir de tes nouvelles données.
Applications de Machine Learning #
La Machine Learning est partout autour de nous, rendant nos vies plus faciles et plus pratiques. En voici quelques exemples.
- Systèmes de recommandation :(imagine que tu es sur une plateforme de streaming) : tu as regardé quelques films de science-fiction et, soudain, la plateforme te suggère d’autres films de science-fiction. C’est le Machine Learning qui est à l’œuvre ! Il analyse tes choix antérieurs et ceux d’autres téléspectateurs pour te recommander des contenus qui te plairont.
- Assistants personnels virtuels (pense à Siri, Alexa ou Google Assistant) : ils comprennent tes commandes vocales et te fournissent des réponses utiles. Les algorithmes de Machine Learning leur permettent de reconnaître les schémas vocaux et d’améliorer leur compréhension de ta voix au fil du temps.
- Voitures autonomes (imagine une voiture qui se conduit toute seule) : Les voitures autonomes utilisent le Machine Learning pour interpréter les données provenant des capteurs et des caméras, ce qui les aide à prendre des décisions telles que s’arrêter, aller ou changer de voie. Elles apprennent à naviguer en toute sécurité en observant le trafic réel.
- Détection des fraudes (lorsque ta banque détecte une activité inhabituelle sur votre compte) : Là encore, les algorithmes de Machine Learning sont à l’œuvre. Ils analysent tes habitudes de dépenses et signalent les transactions qui s’écartent de la norme, te protégeant ainsi des activités frauduleuses.
- Diagnostic médical (lorsque les médecins utilisent l’IA pour détecter des maladies) : Le Machine Learning aide à analyser les images médicales, telles que les radiographies et les IRM, afin d’identifier rapidement les anomalies. Il peut également aider à prédire les résultats des patients sur la base de données historiques.
Ces applications ne sont que la partie émergée de l’iceberg et les possibilités de l’apprentissage automatique (ou Machine Learning) sont infinies dans de nombreux domaines, et la prédiction de nouvelles données est magique, n’est-ce pas ?
Types d’apprentissage automatique #
Nous savons qu’il s’agit principalement de trouver le meilleur algorithme pour nos données. Il est maintenant temps d’explorer les différentes catégories d’algorithmes, leurs objectifs et quelques applications. D’une manière générale, ils sont classés en 4 catégories : L’apprentissage supervisé, l’apprentissage non supervisé, l’apprentissage semi-supervisé et l’apprentissage par renforcement. Comprenons-les en détail dans les tutos suivants.
