Qu'est-ce que l'apprentissage automatique ? Définition, types et exemples

Read in English (Lire en Anglais).

L'apprentissage automatique est un sous-domaine de l'intelligence artificielle qui utilise des algorithmes formés sur des ensembles de données pour créer des modèles qui permettent aux machines d'effectuer des tâches qui ne seraient autrement possibles que pour les humains, telles que la catégorisation d'images, l'analyse de données ou la prédiction des fluctuations de prix.

Aujourd'hui, l'apprentissage automatique est l'une des formes les plus courantes d'intelligence artificielle et il est souvent à l'origine d'un grand nombre de biens et de services numériques que nous utilisons tous les jours. 

Apprendrez davantage sur ce qu'est l'apprentissage automatique, notamment sur son fonctionnement, ses différents types et son utilisation dans le monde réel. Nous examinerons les avantages et les dangers de l'apprentissage automatique et, à la fin, vous trouverez des cours flexibles et peu onéreux qui peuvent vous aider à en apprendre encore plus sur l'apprentissage automatique. 

Cours sur l'apprentissage automatique adaptés aux débutants

Vous souhaitez en savoir plus sur l'apprentissage automatique, mais vous ne savez pas par où commencer ? Envisagez de vous inscrire à l'un de ces cours d'apprentissage automatique pour débutants sur Coursera dès aujourd'hui :

Dans Open.AI et la Spécialisation en apprentissage machine de Stanford, vous maîtriserez les concepts fondamentaux de l'IA et développerez des compétences pratiques en apprentissage machine en seulement deux mois.

Le cours de l'Université de Londres Apprentissage machine pour tous vous présentera les bases du fonctionnement de l'apprentissage machine et vous guidera dans l'entraînement d'un modèle d'apprentissage machine à l'aide d'un ensemble de données sur une plateforme non programmée.

Définition de l'apprentissage automatique 

L'apprentissage automatique est un sous-domaine de l'intelligence artificielle (IA) qui utilise des algorithmes formés sur des ensembles de données pour créer des modèles d'auto-apprentissage capables de prédire des résultats et de classer des informations sans intervention humaine. L'apprentissage automatique est aujourd'hui utilisé à des fins commerciales très diverses, notamment pour suggérer des produits aux consommateurs en fonction de leurs achats antérieurs, prédire les fluctuations des marchés boursiers et traduire des textes d'une langue à l'autre. 

Dans l'usage courant, les termes « apprentissage automatique » et « intelligence artificielle » sont souvent utilisés de manière interchangeable en raison de la prévalence de l'apprentissage automatique à des fins d'intelligence artificielle dans le monde d'aujourd'hui. Cependant, ces deux termes sont très différents l'un de l'autre. Alors que l’IA fait référence à la tentative générale de créer des machines capables de capacités cognitives semblables à celles des humains, l'apprentissage machine fait spécifiquement référence à l'utilisation d'algorithmes et d'ensembles de données pour y parvenir.

Exemples et cas d'utilisation

L'apprentissage automatique est le type de technologie d'IA le plus répandu dans le monde aujourd'hui. Voici quelques-uns des exemples les plus courants d'apprentissage automatique avec lesquels vous avez peut-être été en contact dans votre vie quotidienne :

• Les moteurs de recommandation qui vous suggèrent des produits, des chansons ou des émissions de télévision, comme ceux que l'on trouve sur Amazon, Spotify ou Netflix. 

• Les logiciels de reconnaissance vocale qui vous permettent de convertir des mémos vocaux en texte.

• Les services de détection des fraudes d'une banque signalent automatiquement les transactions suspectes. 

• Les voitures auto-conduites et les fonctions d'aide à la conduite, telles que la détection des angles morts et l'arrêt automatique, améliorent la sécurité globale du véhicule.

En savoir plus sur les applications réelles de l'apprentissage automatique dans cette conférence de Stanford et de la spécialisation en apprentissage automatique de DeepLearning.AI :

Comment fonctionne l'apprentissage automatique ?

L'apprentissage automatique est à la fois simple et complexe.

À la base, la méthode utilise simplement des algorithmes - essentiellement des listes de règles - ajustés et affinés en utilisant des ensembles de données antérieures pour faire des prédictions et des catégorisations lorsqu'ils sont confrontés à de nouvelles données. Par exemple, un algorithme d'apprentissage automatique peut être « entraîné » sur un ensemble de données composé de milliers d'images de fleurs étiquetées avec chacun de leurs différents types de fleurs afin qu'il puisse ensuite identifier correctement une fleur dans une nouvelle photographie sur la base des caractéristiques de différenciation qu'il a apprises à partir d'autres images.   

Toutefois, pour que ces algorithmes fonctionnent efficacement, ils doivent généralement être affinés à de nombreuses reprises jusqu'à ce qu'ils accumulent une liste complète d'instructions leur permettant de fonctionner correctement. Les algorithmes qui ont été suffisamment entraînés finissent par devenir des « modèles d'apprentissage automatique », qui sont essentiellement des algorithmes qui ont été entraînés à effectuer des tâches spécifiques telles que trier des images, prédire les prix de l'immobilier ou faire des coups d'échecs. Dans certains cas, les algorithmes sont superposés pour créer des réseaux complexes qui leur permettent d'effectuer des tâches de plus en plus complexes et nuancées, comme la génération de texte et l'alimentation de chatbots, grâce à une méthode connue sous le nom d’« apprentissage profond » ( ou deep learning).

Par conséquent, bien que les principes généraux qui sous-tendent l'apprentissage automatique soient relativement simples, les modèles qui sont produits à la fin du processus peuvent être très élaborés et complexes.

Apprentissage automatique et apprentissage profond

En explorant l'apprentissage automatique, vous rencontrerez probablement le terme « apprentissage profond ». Bien que les deux termes soient liés, ils sont également distincts l'un de l'autre.

L'apprentissage automatique fait référence à l'utilisation générale d'algorithmes et de données pour créer des machines autonomes ou semi-autonomes. L'apprentissage profond, quant à lui, est un sous-ensemble de l'apprentissage automatique qui superpose des algorithmes dans des "« réseaux neuronaux » qui ressemblent quelque peu au cerveau humain afin que les machines puissent effectuer des tâches de plus en plus complexes.

Types d'apprentissage automatique

Les nombreux biens et services numériques que nous utilisons chaque jour reposent sur plusieurs types d'apprentissage automatique. Bien que chacun de ces types tente d'atteindre des objectifs similaires - créer des machines et des applications capables d'agir sans surveillance humaine - les méthodes précises qu'ils utilisent diffèrent quelque peu.

Pour vous aider à vous faire une idée plus précise des différences entre ces types, voici un aperçu des quatre différents types d'apprentissage automatique principalement utilisés aujourd'hui.

1. Apprentissage automatique supervisé

Dans l'apprentissage automatique supervisé, les algorithmes sont formés sur des ensembles de données étiquetées qui comprennent des étiquettes décrivant chaque donnée. En d'autres termes, les algorithmes sont alimentés en données qui comprennent une « clé de réponse » décrivant la manière dont les données doivent être interprétées. Par exemple, un algorithme peut être alimenté par des images de fleurs comprenant des étiquettes pour chaque type de fleur afin qu'il soit en mesure de mieux identifier la fleur lorsqu'il reçoit une nouvelle photographie.

L'apprentissage automatique supervisé est souvent utilisé pour créer des modèles d'apprentissage automatique utilisés à des fins de prédiction et de classification.

2. Apprentissage automatique non supervisé

L'apprentissage automatique non supervisé utilise des ensembles de données non étiquetées pour former les algorithmes. Dans ce processus, l'algorithme est alimenté par des données qui ne comportent pas d'étiquettes, ce qui l'oblige à découvrir des modèles par lui-même, sans aucune aide extérieure. Par exemple, un algorithme peut être alimenté par une grande quantité de données utilisateur non étiquetées provenant d'un site de réseaux sociaux afin d'identifier les tendances comportementales sur la plateforme. 

L'apprentissage automatique non supervisé est souvent utilisé par les chercheurs et les scientifiques des données pour identifier rapidement et efficacement des modèles dans de grands ensembles de données non étiquetées. 

3. Apprentissage automatique semi-supervisé

L'apprentissage automatique semi-supervisé utilise des ensembles de données étiquetées et non étiquetées pour former les algorithmes. En général, lors de l'apprentissage automatique semi-supervisé, les algorithmes sont d'abord alimentés par une petite quantité de données étiquetées pour les aider à se développer, puis par des quantités beaucoup plus importantes de données non étiquetées pour compléter le modèle. Par exemple, un algorithme peut être alimenté par une petite quantité de données vocales étiquetées, puis entraîné sur un ensemble beaucoup plus important de données vocales non étiquetées afin de créer un modèle d'apprentissage automatique capable de reconnaître la parole.

L'apprentissage automatique semi-supervisé est souvent utilisé pour former des algorithmes à des fins de classification et de prédiction dans le cas où de grandes quantités de données étiquetées ne sont pas disponibles.

4. Apprentissage par renforcement

L'apprentissage par renforcement utilise les essais et les erreurs pour former des algorithmes et créer des modèles. Au cours du processus d’entraînement, les algorithmes opèrent dans des environnements spécifiques et reçoivent un retour d'information après chaque résultat. Comme un enfant qui apprend, l'algorithme commence lentement à comprendre son environnement et à optimiser ses actions pour obtenir des résultats particuliers. Par exemple, un algorithme peut être optimisé en jouant des parties d'échecs successives, ce qui lui permet d'apprendre de ses succès et de ses échecs passés à chaque partie.

L'apprentissage par renforcement est souvent utilisé pour créer des algorithmes qui doivent effectivement prendre des séquences de décisions ou d'actions pour atteindre leurs objectifs, comme jouer à un jeu ou résumer un texte entier.

Avantages et risques de l'apprentissage automatique

L'apprentissage automatique est déjà en train d'améliorer une grande partie de notre monde. Aujourd'hui, cette méthode est utilisée pour construire des modèles capables d'identifier les tumeurs cancéreuses dans les scanners médicaux, de détecter les transactions frauduleuses et même d'aider les gens à apprendre des langues. Mais, comme pour toute nouvelle technologie qui transforme la société, il y a aussi des dangers potentiels à connaître.

Voici un aperçu des principaux avantages et inconvénients potentiels de l'apprentissage automatique:

Vous avez des questions sur votre carrière ? Nous avons les réponses.

Souscrivez à Coursera Career Chat sur LinkedIn pour recevoir notre lettre d'information hebdomadaire pour plus d'informations sur le travail, des conseils et des mises à jour de notre équipe interne.

Apprenez-en plus avec Coursera

L'IA et l'apprentissage automatique changent rapidement la façon dont nous vivons et travaillons dans le monde d'aujourd'hui. Par conséquent, que vous souhaitiez poursuivre une carrière dans l'intelligence artificielle ou que vous souhaitiez simplement en savoir plus sur le domaine, vous pourriez bénéficier d'un cours d'apprentissage machine flexible et rentable sur Coursera.

Avec DeepLearning.AI et le cours Machine Learning Specialization de Stanford, vous maîtriserez les concepts fondamentaux de l'IA et développerez des compétences pratiques en apprentissage automatique dans le programme en trois cours, facile à suivre pour les débutants, dispensé par le visionnaire de l'IA Andrew Ng.

Avec le cours Machine Learning Professional Certificate d'IBM, vous maîtriserez les compétences et les connaissances pratiques les plus récentes que les experts en apprentissage machine utilisent dans leurs fonctions quotidiennes, notamment la manière d'utiliser l'apprentissage supervisé et non supervisé pour construire des modèles pour un large éventail d'objectifs dans le monde réel.