Qu'est-ce que l'apprentissage automatique ?
L'apprentissage automatique est une branche de l'intelligence artificielle qui fait intervenir un ordinateur et ses calculs. Dans l'apprentissage automatique, le système informatique reçoit des données brutes et l'ordinateur effectue des calculs sur la base de ces données. La différence entre les systèmes informatiques traditionnels et l'apprentissage automatique est qu'avec les systèmes traditionnels, le programmeur n'a pas intégré de codes de haut niveau permettant de distinguer les choses. Par conséquent, il ne peut pas effectuer des calculs parfaits ou sophistiqués. Mais dans un modèle d'apprentissage automatique, il s'agit d'un système très sophistiqué qui intègre des données de haut niveau pour effectuer des calculs extrêmes à un niveau qui correspond à l'intelligence humaine, de sorte qu'il est capable de faire d'excellentes prédictions. Elle peut être divisée en deux catégories spécifiques : supervisée et non supervisée. Il existe également une autre catégorie d'intelligence artificielle appelée semi-supervisée.
ML avec supervision
Avec cette formule, on apprend à un ordinateur ce qu'il doit faire et comment le faire à l'aide d'exemples. Dans ce cas, l'ordinateur reçoit une grande quantité de données étiquetées et structurées. L'inconvénient de ce système est qu'un ordinateur a besoin d'une grande quantité de données pour devenir expert dans une tâche particulière. Les données qui servent d'entrée entrent dans le système par le biais de divers algorithmes. Une fois que le processus d'exposition des systèmes informatiques à ces données et de maîtrise d'une tâche particulière est terminé, vous pouvez fournir de nouvelles données pour une réponse nouvelle et affinée. Les différents types d'algorithmes utilisés dans ce type d'apprentissage automatique comprennent la régression logistique, les K-voisins les plus proches, la régression polynomiale, les bayes naïves, la forêt aléatoire, etc.
ML non supervisé
Avec ce type, les données utilisées en entrée ne sont pas étiquetées ou structurées. Cela signifie que personne n'a examiné ces données auparavant. Cela signifie également que l'entrée ne peut jamais guider l'algorithme. Les données sont uniquement introduites dans le système d'apprentissage automatique et utilisées pour former le modèle. Il essaie de trouver un modèle spécifique et de donner la réponse souhaitée. La seule différence est que le travail est effectué par une machine plutôt que par un humain. Certains des algorithmes utilisés dans cet apprentissage automatique non supervisé sont la décomposition de la valeur singulière, le regroupement hiérarchique, les moindres carrés partiels, l'analyse en composantes principales, les moyennes floues, etc.
Apprentissage par renforcement
L'apprentissage par renforcement ML est très similaire aux systèmes traditionnels. Ici, la machine utilise l'algorithme pour trouver des données par une méthode appelée essai et erreur. Ensuite, le système décide lui-même de la méthode qui apportera les résultats les plus efficaces. Trois éléments sont principalement impliqués dans l'apprentissage automatique : l'agent, l'environnement et les actions. L'agent est celui qui est l'apprenant ou celui qui prend les décisions. L'environnement est l'atmosphère avec laquelle l'agent interagit et les actions sont considérées comme le travail que fait un agent. C'est à ce moment que l'agent choisit la méthode la plus efficace et procède en fonction de celle-ci.
