Introduction :
L'homme cherche toujours des moyens d'augmenter la productivité tout en employant moins de main-d'œuvre humaine. Aujourd'hui est l'ère de la machine. Il existe de nombreux types de machines que nous utilisons dans notre vie quotidienne pour nous aider à accomplir nos tâches plus efficacement. Supposez que vous ayez stocké tous les anciens dossiers de votre entreprise sur votre PC. Votre ordinateur peut apprendre et s'adapter en utilisant les modèles et algorithmes tirés de ces anciens dossiers. Sans commandes explicites, votre ordinateur examine les données passées et en tire des déductions, en prédisant les résultats futurs sur la base des dossiers existants. Tout cela est possible grâce à l'apprentissage automatique.
Qu'est-ce que l'apprentissage automatique ?
C'est l'utilisation de l'intelligence artificielle qui permet au système d'apprendre et de s'améliorer grâce à l'expérience sans être explicitement programmé. Il s'agit fondamentalement d'un système capable d'apprendre à partir de données, d'identifier des modèles et de faire des choix avec peu ou pas de collaboration humaine.
Quelle est l'histoire cachée de l'apprentissage automatique ?
Alan Turing a conçu le test de Turing en 1950. Alan Turing était un mathématicien et informaticien britannique, à la fois brillant et influent. Ce test a été créé pour déterminer si une machine possédait l'intelligence d'une personne.
Qui a créé l'apprentissage automatique ?
De nombreuses personnes ont contribué au progrès de l'apprentissage automatique, mais Arthur Samuel, informaticien chez IBM, a inventé l'expression « machine learning » en 1952.
À quoi sert l'apprentissage automatique ?
L'objectif de l'apprentissage automatique est de repérer ou de trouver des modèles dans vos données, puis de faire des estimations à partir de ces modèles, généralement complexes, afin de répondre à des problématiques d'entreprise. Déterminer et analyser les modèles et les structures qui aident à résoudre les problèmes.
Dans les entreprises et d'autres secteurs, l'apprentissage automatique est essentiellement une technologie d'analyse de données qui fonctionne en automatisant le processus de génération de modèles de données.
Comment fonctionne l'apprentissage automatique ?
Combien de types d'apprentissage automatique existe-t-il ?
Il existe quatre types d'apprentissage automatique.
Apprentissage supervisé :
Dans ce type d'apprentissage automatique, les data scientists fournissent aux algorithmes des données d'entraînement étiquetées et précisent les variables entre lesquelles ils veulent que le programmeur recherche des liens. L'entrée et la sortie de l'algorithme sont toutes deux fournies.[1]
Apprentissage non supervisé :
Des algorithmes qui s'entraînent sur des données non étiquetées sont utilisés dans ce type d'apprentissage automatique. Le programmeur recherche des relations pertinentes dans les jeux de données. Les données utilisées pour entraîner les algorithmes, ainsi que les prédictions ou recommandations qu'ils fournissent, sont prédéfinies.[1]
Semi-supervisé :
Cette méthode d'apprentissage automatique combine les deux méthodes précédentes. Bien que les data scientists puissent fournir à un algorithme principalement des « données d'entraînement », le modèle est libre d'explorer les données par lui-même et d'établir sa propre connaissance du jeu de données.[1]
Apprentissage par renforcement :
L'apprentissage par renforcement est généralement utilisé par les data scientists pour apprendre à une machine à exécuter une procédure en plusieurs étapes avec des critères bien définis. Les data scientists entraînent un algorithme à accomplir une tâche et lui envoient des signaux positifs ou négatifs pendant qu'il détermine comment la mener à bien. Toutefois, la plupart du temps, c'est l'algorithme qui choisit les actions à entreprendre en cours de route.[1]
Quels avantages l'apprentissage automatique offre-t-il ?
- Automatisation de tout
- Identification des tendances et des modèles
- Large éventail d'applications
- Marge d'amélioration
- Traitement efficace des données
- Idéal pour l'éducation et le shopping en ligne
Quels sont les inconvénients de l'apprentissage automatique ?
- Possibilité d'erreurs importantes
- Choix de l'algorithme
- Acquisition de données
- Temps et espace
Conclusion :
L'apprentissage automatique est un sous-domaine de l'intelligence artificielle. C'est un système dans lequel les ordinateurs utilisent une vaste quantité de données et des algorithmes pour s'« entraîner » eux-mêmes et générer des prédictions sans dépendre d'une programmation explicite. L'apprentissage automatique est simplement une technique d'analyse de données qui fonctionne en automatisant le processus de création de modèles de données dans les entreprises et d'autres domaines.
- Burns, E.machine learning. Available from: https://www.techtarget.com/searchenterpriseai/definition/machine-learning-ML.
Types d'apprentissage automatique
| Type | Apprend à partir de | Exemple |
|---|---|---|
| Supervisé | Exemples étiquetés | Détection de spam, prédiction de prix |
| Non supervisé | Données non étiquetées | Segmentation de la clientèle |
| Semi-supervisé | Peu d'étiquettes + beaucoup de données non étiquetées | Classification d'images avec peu d'étiquettes |
| Par renforcement | Récompenses issues des actions | Jeux, robotique |
L'apprentissage automatique que vous utilisez déjà
Les filtres anti-spam des e-mails, les prévisions de trafic sur les cartes, les recommandations de vidéos et d'achats, la saisie vocale et le déverrouillage facial reposent tous sur l'apprentissage automatique.
Apprentissage automatique, IA et apprentissage profond : les différences
L'IA est l'objectif général de machines intelligentes ; l'apprentissage automatique est l'approche qui consiste à apprendre à partir de données ; l'apprentissage profond utilise des réseaux de neurones à de nombreuses couches. Voir ce qu'est l'intelligence artificielle.
