Les méthodes d'apprentissage en Machine Learning

 Quelles sont les méthodes d'apprentissage en Machine Learning aujourd'hui?

On entend bien souvent Machine Learning qui se traduit en français par Apprentissage Automatique de la machine un peu partout aujourd'hui dans les conférences tech et surtout en IA. 

La machine, elle apprend quoi au juste? A quel moment parle t-on d'apprentissage automatique et quelles en sont les méthodes ? 

C'est ce que nous allons découvrir tout au long de cet article, installez vous bien confortablement et c'est parti !!!

Machine Learning (Apprentissage automatique de la machine)

Le machine learning qui est un sous-ensemble de l'IA, est l'extraction de connaissance, information ou pattern en moins de temps à l'aide d'outils statistiques.

Simple comme définition ?

 Hé oui, tout y est et ça vous permettra d'avoir une notion du Machine Learning. 

Qu'est ce que la machine apprend? 

Elle apprend ce qu'on lui donne, c'est-à-dire des données. Les données peuvent être des images, du texte, des vidéos, de l'audio, des chiffres...etc 

Elle apprend à reconnaitre les données et à les différencier. C'est ce qu'on appelle apprentissage automatique.

Quelles sont les méthodes d'apprentissage?

IL existe plusieurs méthodes d'apprentissage que sont: 

1. L'apprentissage supervisé(Supervised Learning)
2. L'apprentissage non-supervisé(Unsupervided Learning)
3. L'apprentissage renforcé(Reinforcement Learning)  

  L'apprentissage supervisé

 L'apprentissage supervisé est le fait d'apprendre avec des données étiquetées ou encore labélisées.

 

 Ainsi, nous avons un jeu de données (Dataset) que nous labélisons et qui catégorise une partie des     données. A partir de ce jeu de données, nous mettons en place le modèle et ses paramètres.

 Le modèle que nous appelons communément modèle Machine Learning, n'est que la représentation   mathématique de la réalité et les paramètres ne sont que les caractéristiques des données.  

• Le modèle linéaire f(x)= ax +b
• Le modèle non linéaire f(x) = ax2 + bx + c

Ensuite, nous avons la fonction coût, qui est l'ensemble des erreurs que nous renvoie notre modèle par rapport à notre jeu de données. On peut citer: 

• MSE (Mean Squarred Error)
• RMSE (Root Mean Squarred Error) 
• MAE (Mean Absolut Error)
• Confusion Matrix
• Classification Accuracy
• AUC (Area under Curve)

Enfin, l'algorithme d'apprentissage nous permettra de trouver les paramètres du modèle qui minimisent la fonction coût. Les algorithmes d'apprentissage supervisé sont entre autre: 

• SVM(Support Vector Machine)
• Arbre de décision
• Régression linéaire
• K-NN (K Nearest Neighbour)

Un petit résumé s'impose😒  

Oui bien sûr !!! 

Dans chaque méthode d'apprentissage, il faudra retenir ces 4 éléments: 

1. Le jeu de données
2. le modèle et ses paramètres
3. La fonction coût 
4. L'algorithme d'apprentissage

Aussi dans l'apprentissage supervisé, nous avons ces exemples de cas concrets: 

• Prédiction du prix d'une maison ou d'un article de supermarché
• Classification d'image de chien et de chat
• Classification d'image de cabosse de cacao malade et sain 

Un exemple de code TensorFlow de couches de convolution dans la première image et de spécification d'entrainement du modèle dans le cas de la vision par ordinateur. 

Il s'agit de reconnaitre des images labélisées.

      

L'apprentissage non-supervisé

Vous l'avez sans doute deviné, l'apprentissage non supervisé n'est autre que l'apprentissage sans données étiquetées ou labélisées. 

La machine reçoit une énorme quantité de données sans étiquette. Ainsi, les données ne sont pas catégorisées et c'est à elle de faire le tri. 

Concernant le modèle et ses paramètres ainsi que la fonction coût, c'est pareil que l'apprentissage supervisé. 

En dessous, quelques exemples d'algorithmes en apprentissage non-supervisé: 

• K-Mean clustering: utilisé en marketing pour les publicités ciblées
• Apriori: utilisé dans les services commerciaux pour l'agencement des produits

L'apprentissage renforcé 

Un apprentissage un peu particulier car il est identique à celui utilisé pour dresser par exemple les        animaux de compagnie comme le chien par des récompenses en échange d'une bonne action et des        punitions en échange d'une mauvaise action. 

Cet apprentissage est beaucoup utilisé dans le domaine de la voiture autonome et le gaming. 

En dessous, quelques exemples d'algorithmes en apprentissage non-supervisé: 

• Q-Learning qui permet de trouver la meilleure méthode(politique optimale) pour atteindre un objectif bien défini. 
• Model-Based Value pour créer des états et des actions en se servant de modèle existant.  

J'espère que cet article vous a plu. N' hésitez surtout pas à laisser vos avis dans les commentaires.

Prenez soin de vous et à très bientôt !!!😎