Comment fonctionne le machine learning ?

Saviez-vous qu’une voiture autonome n’est rien d’autre qu’un ordinateur programmé pour se souvenir du dernier point où la voiture a été trouvée et continuer en ligne droite pour revenir au même endroit ? Ou que Facebook peut vous identifier sur chaque photo de vos vacances ? Savez-vous comment fonctionnent Alexa, Google Home et Google Now ? Eh bien, avec cet article, nous vous expliquons tout sur l’apprentissage automatique.
Machine learning : Le fonctionnement
Machine Learning s’introduit avec un programme au début et quelques exemples de ce que vous voulez qu’il réalise. Ensuite, vous apprenez à votre ordinateur à répondre aux exemples précédents avec des succès quasiment parfaits. Cette tâche est extrêmement difficile à effectuer pour un humain. Les ordinateurs ont une capacité incroyablement large dans la mesure où ils peuvent écrire et utiliser des logiciels grâce à l’interaction de millions de roues dentées, plutôt que de ressentir les choses directement. Pour en savoir plus, cliquez ici.
Quelles sont les 3 méthodes d’apprentissage en Machine Learning ?
Avec l’apprentissage automatique, nous pouvons résoudre tous les problèmes qui peuvent être modélisés par une fonction mathématique. En fait, il n’est pas vraiment nécessaire de savoir écrire un programme pour apprendre à un ordinateur comment faire quelque chose. Le temps et l’effort dépensés sont généralement justifiés pour les tâches à accomplir.
Le machine learning s’appuie sur une modélisation du monde et sur la capacité d’apprendre des données pour trouver des schémas et en faire des prédictions. Il existe de nombreux algorithmes de machine learning, qui peuvent être regroupés en trois familles principales, avec des variantes :
- Supervised Learning
- Unsupervised Learning
- Reinforcement Learning
Supervised Learning : Montrez à la machine ce qu’elle doit faire
L’apprentissage supervisé est la technique la plus courante pour donner à un programme la capacité d’apprendre. Elle permet de montrer à la machine ce que l’on attend d’elle, puis de voir si elle est capable d’accomplir cette tâche.
- La création d’un modèle
Dans la méthode du modèle, vous commencez par entrer une saisie aléatoire dans l’ordinateur, qui résout ensuite le problème de la manière suivante : il calcule à partir de la saisie aléatoire. Par exemple, il calcule f(x) (le prix d’un appartement) f(x) = x et donne un prix entre 0 et 100 euros pour un appartement ayant un volume donné. Une première amélioration à ce modèle serait d’ajouter le paramètre du modèle. En effet, en pratique, on ne peut trouver le prix d’une maison sur n’importe quel site internet de vente immobilière, car cette information n’est pas accessible facilement par les utilisateurs équipés d’un ordinateur. De plus, il est possible que les vendeurs fassent des rapports avec des boutiques ou des sites web spécialisés en vente
- L’entraînement du modèle
On va enseigner au machine learning à trouver de nombreux exemples d’appartements, puis on va lui montrer un premier exemple d’appartement, qui sera celui de 100 m2 par exemple. Le programme va faire une séquence logique avec ses calculs : f(x) = x et essayer de prédire le prix du mètre carré ou du kilomètre carré.
Unsupervised learning : Laissez la machine apprendre toute seule
L’apprentissage non supervisé est la deuxième technique permettant de donner à un programme la capacité d’apprendre. Dans ce cas, nous ne supervisons pas l’apprentissage, c’est-à-dire que nous ne montrons pas à la machine des exemples de ce qu’elle est censée nous donner comme résultats, car elle ne peut pas comparer ses résultats avec des exemples. On peut comparer cela à l’apprentissage de nouveaux mots lorsque vous n’avez pas de « dictionnaire », puisque vous n’avez jamais entendu ces mots auparavant, et nous appelons ce processus « non supervisé ».
Reinforcement Learning: Laissez la Machine générer sa propre expérience
La troisième famille d’algorithmes de machine learning est celle qu’on aime le plus pour sa complexité et ses applications. C’est la technique de Reinforcement Learning. Peu de gens connaissent ce terme, mais c’est la discipline qui vient le plus près de l’idée d’un « robot intelligent » capable de faire ce que nous faisons : conduire une voiture, résoudre des problèmes, jouer au jeu d’échecs, etc. Dans cette méthode, la machine génère l’information dont elle a besoin pour apprendre. Comme Agent, il dispose du libre-arbitre pour entreprendre des actions dans un environnement qui peut modifier son état grâce à une récompense positive ou négative associée avec ce même état. Il s’agit alors d’une nouvelle expérience.