Machine Learning : définition simple pour débuter
Le Machine Learning, ou apprentissage automatique, est l’un des domaines importants de l’Intelligence Artificielle.
Son principe général consiste à construire des modèles capables d’apprendre certaines relations ou structures à partir de données afin de réaliser une tâche.
Quelle différence entre programmation classique et Machine Learning ?
Dans une approche de programmation classique, le développeur définit explicitement des règles permettant au programme de traiter les informations.
En Machine Learning, une partie du comportement du système est apprise à partir de données.
On peut simplifier :
données → apprentissage → modèle → résultat.
Cette représentation reste volontairement générale.
Pourquoi les données sont-elles importantes ?
Parce que le modèle apprend à partir des informations mises à sa disposition.
Le travail Data réalisé avant la modélisation est donc essentiel.
C’est pourquoi la formation IA & Data du CAFP développe d’abord manipulation, qualité, préparation, analyse et visualisation des données avant de progresser vers le Machine Learning.
Qu’est-ce qu’un modèle de Machine Learning ?
Un modèle est le résultat d’un processus d’apprentissage permettant ensuite de produire un résultat sur de nouvelles données correspondant au problème traité.
Sa fonction dépend du type de tâche.
Qu’est-ce que l’apprentissage supervisé ?
Dans l’apprentissage supervisé, le modèle apprend à partir d’exemples associés à une information cible.
La classification et la régression font partie des problèmes classiques pouvant être abordés dans ce cadre.
Qu’est-ce que l’apprentissage non supervisé ?
Dans l’apprentissage non supervisé, le modèle travaille sans disposer de la même information cible.
L’objectif peut alors être d’identifier certaines structures présentes dans les données.
Qu’est-ce que la classification ?
La classification consiste à prédire une catégorie.
Le résultat recherché appartient donc à un ensemble de classes possibles.
Qu’est-ce que la régression ?
La régression vise généralement à prédire une valeur numérique.
Classification et régression correspondent donc à des types de problèmes différents.
Pourquoi entraîner puis tester un modèle ?
Il faut distinguer les données servant à construire le modèle de celles permettant d’examiner son comportement sur des données qu’il n’a pas utilisées de la même manière pendant son apprentissage.
La formation aborde précisément cette logique d’entraînement et de test.
Pourquoi évaluer un modèle ?
Un modèle qui produit des résultats n’est pas automatiquement satisfaisant.
Il faut pouvoir examiner ses performances selon la problématique étudiée.
Quel outil est utilisé dans la formation ?
Scikit-learn figure dans l’environnement pédagogique annoncé, aux côtés de Python, Pandas, NumPy et Jupyter.
Il permet de relier les concepts de Machine Learning à leur mise en pratique.
Guides complémentaires
- Formation Intelligence Artificielle & Data au CAFP Casablanca →
- Fondamentaux Data pour débutant : par où commencer ? →
- Apprentissage supervisé ou non supervisé : quelle différence ? →
- Classification en Machine Learning : comment ça fonctionne ? →
- Régression en Machine Learning : qu’est-ce que c’est ? →
- Entraînement et test en Machine Learning : pourquoi séparer les données ? →
FAQ — Intelligence Artificielle & Data
Machine Learning et Intelligence Artificielle sont-ils synonymes?
Non. Le Machine Learning constitue un domaine de l’IA.
Faut-il comprendre les données avant le ML?
C’est une base importante.
Le supervisé est-il étudié?
Oui.
Le non supervisé est-il étudié?
Oui.
Classification et régression sont-elles abordées?
Oui.
Scikit-learn est-il annoncé?
Oui.
Consultez la page principale de cette filière pour retrouver la durée, les conditions d’admission et les informations de préinscription.