Machine Learning

Le concept machine learning peut être représenté par l’ensemble des méthodes et techniques permettant à une machine (ordinateur) d’apprendre de façon autonome à partir de données. On peut alors comprendre qu’intelligence artificiel et machine learning sont étroitement liés.

Le second étant une composante de la première. Les progrès et avancés de l’IA sont en grande majorité grâce à ceux du machine learning. À l’inverse, la programmation consiste à donner des ordres précis à une machine selon des règles établies. Le machine learning est autonome là ou la programmation est dépendante des consignes humaines.

Souvent géré par les [Data](/ressources/glossaire-de-la-tech/data-donnee) Scientists, le principe du Machine Learning repose sur l’utilisation d’un grand ensemble de données. C’est pour cela qu’il est associé au Big Data. Il consiste à utiliser des algorithmes qui découvriront - sur la base d’un ensemble de données - des modèles récurent appelés “patterns”.

En découvrant ces patterns, les algorithmes utilisent leurs propres résultats pour apprendre, évoluer et devenir plus performants (d’où learning).Le développement d’un algorithme de Machine Learning repose sur 4 étapes :
- Préparer le terrain d’entraînement : fournir au modèle un ensemble de données propres sur lequel il pourra baser son apprentissage (photos, chiffres, mots, etc). La qualité de l’ensemble de données pour l’entraînement est liée à la qualité de l’apprentissage de l’algorithme.
- Sélectionner la recrue à entraîner : il existe déjà plusieurs modèles d’algorithme de machine learning adaptés à des cas d’utilisations. Parmi eux on nommera algorithme de régression, linéaire, de clustering, réseaux de neurones (on parle alors de [Deep Learning](/ressources/glossaire-de-la-tech/deep-learning)).
- Place à l’entraînement : c’est une sorte de calibrage. On fait travailler l’algorithme choisi sur l’ensemble de données sélectionnées au préalable et on compare les résultats fournis aux résultats attendus.

Si l’écart est trop grand, on ajuste le modèle jusqu’à arriver au résultat attendu. La bête est prête. Le modèle est désormais calibré et est prêt à être utilisé sur son domaine d’application. Exemple de cas d’utilisation : repérer des e-mails de spam.