1. Machine Learning : qu’est-ce que c’est ?
Le Machine Learning (ou apprentissage automatique) est un sous-domaine de l’IA qui consiste à entraîner une machine à effectuer une tâche spécifique à partir de données, sans qu’on la programme explicitement. Il repose sur des algorithmes capables de généraliser des connaissances à partir des données.
Comment ça fonctionne ?
- On donne des données en entrée à un modèle.
- Le modèle apprend à établir des relations entre les données d’entrée et les résultats attendus.
- Une fois entraîné, le modèle peut faire des prédictions sur de nouvelles données.
Caractéristiques principales :
- Modèles courants :
- Régressions linéaires/logistiques.
- Arbres de décision, forêts aléatoires.
- Machines à vecteurs de support (SVM).
- Données requises : Moins volumineuses que pour le deep learning.
- Besoin d’intervention humaine : Les ingénieurs choisissent les caractéristiques (features) importantes à extraire des données (feature engineering).
Exemple :
- Prédire les prix de l’immobilier à partir de caractéristiques comme la surface, le quartier, ou le nombre de pièces (modèle basé sur une régression linéaire).
2. Deep Learning : qu’est-ce que c’est ?
Le Deep Learning est une sous-catégorie du machine learning, mais il fonctionne différemment. Il repose sur des réseaux de neurones artificiels profonds capables d’apprendre des représentations complexes directement à partir des données.
Comment ça fonctionne ?
- Les réseaux de neurones contiennent plusieurs couches (d’où le terme « profond »).
- Ces couches permettent d’apprendre des caractéristiques abstraites ou complexes des données sans intervention humaine.
- Grâce à cet apprentissage en profondeur, les modèles peuvent traiter des données non structurées comme des images, des sons, ou du texte.
Caractéristiques principales :
- Modèles courants :
- Réseaux de neurones convolutionnels (CNN) pour les images.
- Réseaux de neurones récurrents (RNN) pour le texte ou les séries temporelles (suite de données collectées ou mesurées au fil du temps, généralement à intervalles réguliers. Ces données représentent l’évolution d’une variable (ou plusieurs) dans le temps, et leur analyse permet de comprendre des tendances, des cycles, ou des variations)
- Transformateurs (comme GPT) pour le langage naturel.
- Données requises : Très volumineuses (le deep learning fonctionne mieux avec des millions de données).
- Autonomie : Le modèle extrait automatiquement les caractéristiques pertinentes, sans besoin de feature engineering.
Exemple :
- Reconnaissance d’images : Un modèle deep learning peut identifier un chat dans une image en apprenant à détecter automatiquement des formes (comme les oreilles, les yeux, etc.) à partir des pixels.
Le Machine Learning, c’est comme tout, ça s’apprend (mais faut vouloir)
On peut apprendre le machine learning avec Python, pour 25 €
https://www.udemy.com/course/formation-machine-learning-python
