Le machine learning (ou apprentissage automatique en français) est une branche de l'intelligence artificielle qui permet aux ordinateurs d'apprendre à partir de données et d'améliorer leurs performances sur une tâche sans être explicitement programmés pour chaque cas particulier.En d'autres termes : au lieu d'écrire des règles manuelles (« si la température > 30°C et humidité > 80% alors orage probable »), on donne au système beaucoup d'exemples passés et il découvre lui-même les patterns qui permettent de prédire ou de décider. C'est l’approche qui a contribué à l'explosion des IA modernes depuis ~2012.
Le machine learning consiste à :
- analyser des données,
- détecter des patterns,
- construire des modèles prédictifs,
- améliorer ses performances avec l’expérience.
Exemple :
- Recommandation Netflix
- Détection de fraude bancaire
- Reconnaissance d’images
Il existe 4 grandes familles de Machine Learning.
- L’apprentissage supervisé
Dans ce type d’apprentissage, le modèle apprend à partir de données étiquetées (avec une réponse connue). L’objectif est de prédire et classifier.
Exemple d’application : détection spam, prédiction de prix immobilier,…
- L’apprentissage non supervisé
Ici le les données n’ont pas de labels, le modèle découvre des structures. Il est souvent utilisé dans des problématiques de segmentation et détection de patterns.
Exemple d’application : segmentation clients en marketing, détection de fraude, détection d'anomalies (fraude bancaire), …
- L’apprentissage semi-supervisé
Ici on fait un mix entre en utilisant peu de données étiquetées et beaucoup de données non étiquetées. Il est utilisé lorsque l’étiquetage est coûteux ou si les données sont rares.
- L’apprentissage par renforcement
Dans ce type d’apprentissage, un agent apprend par un système de récompenses / punitions
Exemple d’application : Robots humanoïdes qui apprennent à marcher, optimisation logistique en temps réel, trading haute fréquence