L’apprentissage automatique (machine learning en anglais) est un domaine d’étude qui vous permet d’apprendre sans concevoir d’ordinateurs. Le ML est l’une des technologies les plus intéressantes que nous ayons rencontrées. Comme son nom l’indique, il donne à l’ordinateur ce à quoi il ressemble pour un être humain: le pouvoir d’apprendre. L’apprentissage automatique est pratiqué aujourd’hui, probablement dans plus d’endroits que vous ne le pensez.
Types de problèmes d’apprentissage automatique
Il existe différentes manières de classer les problèmes d’apprentissage automatique. Ici, nous discutons des plus évidents.
1. Sur la base de la nature du «signal» ou du «retour d’information» d’apprentissage dont dispose un système d’apprentissage
Apprentissage supervisé: L’ordinateur présente un exemple caché que donne un «enseignant» et les résultats de ses besoins, son but est de connaître les principes généraux de la description du coût des matériaux. Le processus d’apprentissage se poursuit jusqu’à ce que l’échantillon de données d’apprentissage ait atteint un niveau précis de précision. Quelques exemples spécifiques:Classification des images: vous vous entraînez avec des images / icônes. À l’avenir, vous créerez une nouvelle image et l’ordinateur voudra reconnaître la nouvelle chose.
Prédiction / régression de marché: vous entraînez l’ordinateur avec des données historiques de marché et demandez à l’ordinateur de prédire le nouveau prix dans le futur.
Apprentissage non supervisé: aucune étiquette n’est donnée à l’algorithme d’apprentissage, le laissant seul pour trouver une structure dans son entrée. Il est utilisé pour regrouper la population en différents groupes. L’apprentissage non supervisé peut être un objectif en soi (découvrir des modèles cachés dans les données).
Clustering: Vous demandez à l’ordinateur de séparer des données similaires en clusters, c’est essentiel dans la recherche et la science.
Visualisation en haute dimension: utilisez l’ordinateur pour nous aider à visualiser des données de grande dimension.
Modèles génératifs: Une fois qu’un modèle capture la distribution de probabilité de votre entrée de données, il sera en mesure de générer plus de données. Cela peut être très utile pour rendre votre classificateur plus robuste.
Comme vous pouvez le voir clairement, les données pour l’apprentissage supervisé sont classées, car les données pour l’apprentissage supervisé ne sont pas désagrégées.
Apprentissage semi-supervisé: les problèmes où vous avez une grande quantité de données d’entrée et seules certaines données sont nommées sont appelés problèmes d’apprentissage semi-supervisé. Ces problèmes se situent entre l’apprentissage supervisé et l’apprentissage supervisé. Par exemple, une archive de photos où seules certaines images sont marquées (par exemple, un chien, un chat, une personne) et la plupart des images ne sont pas catégorisées.
Apprentissage augmenté: le programme informatique interagit avec un environnement dynamique dans lequel il doit réaliser un objectif spécifique (comme conduire un véhicule ou jouer à un jeu contre un adversaire). Le programme offre des commentaires en termes de récompenses et de punitions lorsque vous naviguez dans l’espace à problèmes.