Les types d'apprentissage en machine learning
Le machine learning (ML) est un sous-domaine de l’IA dans lequel un système apprend à partir de données plutôt que d’être explicitement programmé. Il existe trois paradigmes principaux, selon la nature des données disponibles et l’objectif visé.
IA, ML et Deep Learning
Section intitulée « IA, ML et Deep Learning »Ces trois termes désignent des périmètres imbriqués.
- Intelligence Artificielle (IA) : domaine général visant à faire exécuter des tâches cognitives aux machines.
- Machine Learning (ML) : sous-domaine de l’IA. Au lieu de programmer chaque règle, le système apprend à partir de données et s’améliore avec l’expérience.
- Deep Learning (DL) : sous-domaine du ML. Il utilise des réseaux de neurones à de nombreuses couches pour modéliser des abstractions complexes. Il excelle sur la reconnaissance d’images et le traitement du langage naturel.
Apprentissage supervisé
Section intitulée « Apprentissage supervisé »Le modèle apprend à partir d’un jeu de données étiquetées : pour chaque entrée, la sortie attendue est connue. L’objectif est de généraliser cette relation pour prédire la sortie sur de nouvelles données.
Deux grandes tâches existent :
- Régression : prédire une valeur continue (prix d’un bien immobilier, température de demain). Algorithmes courants : régression linéaire, forêt aléatoire, KNN.
- Classification : attribuer une catégorie à une entrée (spam ou non-spam, détection de maladie). Algorithmes courants : régression logistique, SVM.
Apprentissage non supervisé
Section intitulée « Apprentissage non supervisé »Le modèle travaille sur des données non étiquetées. Il cherche à identifier des structures cachées sans supervision humaine.
- Clustering : regrouper des individus similaires (segmentation clients, détection d’anomalies).
- Réduction de dimension : compresser les données en conservant l’information utile (PCA).
Apprentissage par renforcement
Section intitulée « Apprentissage par renforcement »Un agent prend des décisions dans un environnement et reçoit des récompenses ou des pénalités selon ses actions. Il apprend par essais et erreurs à maximiser sa récompense totale. C’est le paradigme derrière AlphaGo et les systèmes de conduite autonome.
Récapitulatif
Section intitulée « Récapitulatif »| Type | Données | Objectif | Exemples d’algorithmes |
|---|---|---|---|
| Supervisé | Étiquetées | Prédire une sortie connue | Régression linéaire, SVM, KNN |
| Non supervisé | Non étiquetées | Découvrir des structures | K-Means, PCA |
| Par renforcement | Retours d’environnement | Maximiser une récompense | Q-Learning, PPO |