L'apprentissage automatique
L'apprentissage automatique (machine learning) donne aux machines la capacité d'apprendre un comportement à partir de données, au lieu de suivre des règles écrites à la main.
À quoi ça sert ?
C'est le cœur des IA modernes : reconnaissance d'images, traduction, recommandations, chatbots… Tous apprennent à partir de données plutôt que d'être programmés règle par règle.
Un peu d'histoire
En 2016, le logiciel AlphaGo a d'abord appris en observant des millions de parties humaines (supervisé), puis s'est amélioré en jouant contre lui-même (renforcement) — jusqu'à battre les meilleurs joueurs de Go du monde.
Définition
L'apprentissage automatique (machine learning) est la capacité donnée aux machines d'apprendre un comportement à partir de données, au lieu de suivre des règles écrites à la main.
Propriétés
Apprentissage supervisé
On fournit des exemples accompagnés de la bonne réponse : ce sont des données « étiquetées ».
Non supervisé & renforcement
Non supervisé : trouver des groupes dans des données non étiquetées. Renforcement : essais/erreurs pour gagner une récompense.
La donnée étiquetée
Étiqueter une donnée, c'est lui donner la bonne réponse attendue. Exemple : marquer des photos « chat » ou « pas chat ».
La formule
Le machine learning en une ligne
données + entraînement → modèle
Le modèle apprend à partir d'exemples, au lieu de suivre des règles écrites à la main.
1. Regarder les données
Sont-elles étiquetées (avec la bonne réponse) ou non ? Cela indique le type d'apprentissage : supervisé, non supervisé ou par renforcement.
2. Entraîner
Le modèle ajuste ses paramètres sur des données pour réussir sa tâche : c'est la phase d'entraînement.
3. Tester
On vérifie le modèle sur de nouvelles données, différentes de l'entraînement : la preuve qu'il sait généraliser.
Selon ce que l'on cherche
Supervisé
Exemples + bonnes réponses (données étiquetées).
Non supervisé
Trouver des structures dans des données non étiquetées.
Renforcement
Essais et erreurs pour maximiser une récompense.
Entraînement
Ajuster les paramètres, puis tester sur de nouvelles données.
Exemples corrigés
Trier des e-mails
Tu veux séparer les e-mails en « spam » et « pas spam ».
Quel apprentissage et quelles étiquettes ?
Apprentissage supervisé, avec les étiquettes « spam » / « pas spam » placées sur des exemples d'e-mails.
Pièges à éviter
- Croire que le modèle « comprend » : il repère surtout des régularités statistiques.
- Oublier la phase de test (vérifier sur de nouvelles données).
- Confondre supervisé (avec réponses) et non supervisé (sans réponses).
À retenir
- Le modèle apprend à partir de données, pas de règles écrites.
- Supervisé = exemples étiquetés (avec la bonne réponse).
- Non supervisé = regroupements ; renforcement = récompense.
- Après l'entraînement, on teste sur de nouvelles données.
Je m'entraîne
1. Qu'est-ce qu'une donnée « étiquetée » ?
Voir la correction
Un exemple accompagné de la bonne réponse attendue.
2. À quoi sert la phase de test ?
Voir la correction
À vérifier que le modèle fonctionne sur des données différentes de l'entraînement (qu'il sait généraliser).
3. Une IA apprend à jouer en gagnant des points par essais et erreurs : quel apprentissage ?
Voir la correction
L'apprentissage par renforcement.
📚 Révise cette fiche en flashcards
Connecte-toi pour retourner cette fiche en cartes de rappel actif — et garder ta progression.
Se connecter