L’apprentissage automatique (AA ou Machine Learning en anglais) est une branche de l’intelligence artificielle (IA). Il permet aux ordinateurs d’apprendre à partir de données et d’améliorer leurs performances sans être explicitement programmés. L’AA peut prédire des résultats ou prendre des décisions de manière autonome.
Les problèmes d’apprentissage automatique sont généralement divisés en deux catégories : la prédiction (ex. : prix des maisons, des voitures) et la classification (ex. : reconnaissance de l’écriture manuscrite, des objets).
Création d'un CV en ligne
Déroulement d’un projet d’apprentissage automatique
Le processus d’apprentissage automatique comprend les étapes suivantes :
- Collecte de données : Un ensemble de données (dataset) est nécessaire pour l’apprentissage. Ces données peuvent être collectées ou provenir de sources publiques. Leur exactitude et leur fiabilité sont cruciales.
- Prétraitement des données : Cette étape consiste à normaliser les données, supprimer les attributs inutiles, étiqueter les données, encoder certaines caractéristiques et extraire ou réduire les données tout en préservant l’information pertinente. Cette étape est souvent la plus longue.
- Entraînement du modèle : Le modèle apprend à partir des données collectées et traitées lors des deux premières étapes.
- Évaluation du modèle : Après l’entraînement, le modèle est évalué à l’aide de mesures de performance. Une précision supérieure à 80 % est généralement considérée comme bonne.
- Amélioration : Si le modèle n’atteint pas la précision souhaitée, il faut le réentraîner en répétant les étapes 3 et 4 jusqu’à obtenir le résultat escompté.
Types d’apprentissage automatique
L’apprentissage automatique est souvent divisé en deux catégories principales :
- Apprentissage supervisé : L’ordinateur apprend à partir de données étiquetées. Chaque entrée Xi a une étiquette Yi correspondante.
- Apprentissage non supervisé : L’ordinateur apprend à partir de données non étiquetées. Les algorithmes d’AA découvrent des corrélations, modélisent les données, permettant à l’ordinateur de comprendre et de classer les données en groupes (clustering) ou de réduire le nombre de dimensions (dimension reduction).
Concepts de base en apprentissage automatique
- Ensemble de données (Dataset) : Collection de données brutes non traitées, composée de plusieurs points de données.
- Point de données (Data Point) : Représente une observation et possède plusieurs caractéristiques ou attributs, numériques ou non numériques (catégoriels).
- Données d’entraînement et données de test : L’ensemble de données est divisé en deux : les données d’entraînement pour entraîner le modèle et les données de test pour prédire les résultats et évaluer le modèle.
- Vecteur de caractéristiques (Features vector) : Représente un point de données dans l’ensemble de données. Chaque vecteur a n dimensions représentant les caractéristiques du point de données, chaque caractéristique étant une dimension et devant être numérique.
- Modèle : Utilisé pour l’entraînement sur les données d’entraînement selon son algorithme. Il peut ensuite prédire ou prendre des décisions basées sur son apprentissage.
Applications de l’apprentissage automatique
L’apprentissage automatique est largement utilisé dans de nombreux domaines : finance, biologie, agriculture, recherche d’information, automatisation, robotique, chimie, réseaux informatiques, sciences spatiales, publicité, traitement du langage naturel, vision par ordinateur, etc.
Par exemple, en météorologie, l’AA permet de prédire le temps avec une plus grande précision qu’un humain grâce à l’analyse des observations passées. L’efficacité de l’AA rend son apprentissage crucial à l’ère de l’industrie 4.0.
