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.
Le savais-tu ?
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.
1. La phase d'entraînement
Le modèle ajuste ses paramètres sur des données pour réussir sa tâche, puis on le teste sur de nouvelles données.
2. Apprentissage supervisé
On fournit des exemples accompagnés de la bonne réponse : ce sont des données « étiquetées ».
3. Non supervisé & renforcement
Non supervisé : trouver des groupes dans des données non étiquetées. Renforcement : essais/erreurs pour gagner une récompense.
Les 3 types d'apprentissage
| 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. |
Étiqueter une donnée, c'est lui donner la bonne réponse attendue. Exemple : marquer des photos « chat » ou « pas chat ».
Exemples
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.