Machine learning : définition, modèle, algorithme et langage

Machine learning : définition, modèle, algorithme et langage Le machine learning, ou apprentissage automatique, est la principale technique de l'IA. Il consiste à entrainer des algorithmes à partir de base d'apprentissage pour leur permettre de faire des prédictions ou automatiser des tâches.

Quelle est la définition la plus juste du machine learning ?

Le machine learning ou apprentissage automatique est une technique d'IA qui permet à l'informatique de détecter des tendances dans un historique de connaissances (exemple : le climat) pour en tirer un modèle de prédiction pour l'avenir (ici, la météo). 

Comment fonctionne le machine learning ?

Le machine learning (ML) fait partie des principales technologies d’intelligence artificielle. Il consiste à entraîner un algorithme à reconnaitre au sein d'une base d'apprentissage des motifs récurrents. Cet entraînement aboutit à un modèle prédictif conçu pour faire des prédictions (reconnaître un son, une image...) ou automatiser des tâches (répondre à une question, automatiser la conduite d'un véhicule...) à partir de nouvelles données.  Là où un programme traditionnel exécute des instructions, un algorithme de machine learning améliore ses performances au fur et à mesure de son apprentissage, mais aussi au fil de l'évolution du contexte et de réentrainements successifs. Plus on le "nourrit" de données, plus il devient précis.

Pour décrire son modèle d'apprentissage, le machine learning emploie des algorithmes statistiques ou encore des réseaux de neurones. Dans les années 2010, le machine learning a atteint un momentum avec l'avènement du big data et la progression des capacités de calcul (et notamment la montée en puissance des GPU). Le big data est en effet indispensable pour entraîner des modèles sur les vastes volumes de données nécessaires au traitement automatique du langage ou à la reconnaissance d'images.

Les derniers articles sur l'IA

C'est quoi un modèle en machine learning ?

Un modèle de machine learning est un fichier qui a été entraîné à partir d'une bases d'apprentissage en vue d'automatiser des tâches, par exemple reconnaitre un émotion au regard d'une expression sur un visage, traduire un texte, proposer des produits en fonction d'un profil d'appétence... Une fois entraîné, le modèle doit être capable de générer des résultats à partir de données (textes, photos) qu'il n'a encore jamais traitées.

Quelle est la relation entre l'IA et le machine learning ?

L'intelligence artificielle a pour objectif de donner à une machine la faculté de raisonner et de se comporter comme un humain. Le machine learning n'est qu'un moyen contribuant à tendre vers cette vision. Aux côtés du machine learning, il existe d'autres techniques d'IA parmi lesquelles les systèmes expert ou encore la simulation et les jumeaux numériques

Quel est l'intérêt du machine learning ?

L'un des principaux intérêt du machine learning est d'automatiser des tâches. Parmi ses applications les plus populaires dans ce domaine figurent la recommandation de produits,  la traduction automatique, les véhicules autonomes ou encore l'aide au diagnostique dans le secteur de la santé.  

Au sein de volumes massifs de données, le machine learning permet également de détecter des tendances cachées, qui ne sont pas décelables via une analyse humaine. 

Machine learning supervisé vs non-supervisé, quelle différence ?

Côté machine learning supervisé, les données d'entrainement sont préalablement annotées ou étiquetée. Objectif : recourir à une base d'apprentissage représentative qui permette d'aboutir à un modèle capable de généraliser, c'est-à-dire de réaliser ensuite des prédictions correctes sur des données non présentes dans la base d'apprentissage de départ. Dans le domaine de l'apprentissage supervisé, on retrouve les algorithmes de classification, de régression linéaire, de régression logistique, les arbres de décision, ou encore les forêts aléatoires

Quant à l'apprentissage non supervisé, il décode les informations de contexte des données d'entrainement et la logique qui en découle, sans recourir à une source de connaissances préétablie. Les données ne sont ni annotées ni étiquetées. Dans cette catégorie, on retrouve les algorithmes de clustering (comme K-means) conçus pour partager les données en groupes similaires.  Ils peuvent permettre par exemple de réaliser des regroupements par typologies de clients, en fonction de caractéristiques de profils, de comportements d'achat similaires... 

Articles de référence

Qu'attend-on d'un profil de machine learning ingénieur ?

En machine learning, les bases en informatique et en mathématiques doivent être solides. L’expertise technique de tout profil ingénieur inclut la maîtrise des langages Python et C++, comme des frameworks PyTorch et TensorFlow. La maîtrise de l’anglais est indispensable, et des connaissances poussées des solutions Git et Docker sont très appréciées. Sur le plan personnel, il faut être organisé, travailler de façon méthodique, apprécier les défis, apprendre de ses erreurs, être déterminé, etc.

Quelle est la place du Python en machine learning ?

Le langage Python s’est imposé comme le langage de référence pour les applications de machine learning. Les candidats formés en C++ sont ainsi souvent obligés de changer leurs habitudes de code.

Machine learning vs deep learning : quelle différence ?

Le deep learning est un sous-domaine du machine learning, qui a recours à un réseau neuronal inspiré du système cérébral humain, et qui nécessite énormément de données et de puissances de calcul pour s'entraîner. Adapté aussi bien à l'apprentissage supervisé que l'entrainement non supervisé, il est surtout utilisé en reconnaissance visuelle ou sonore.

Dictionnaire de l'intelligence artificielle