Les modèles d'apprentissage
Un modèle d'IA est une structure mathématique qui apprend à partir de données. Il en existe plusieurs familles, plus ou moins simples à comprendre.
À quoi ça sert ?
Selon le problème, on choisit un modèle différent. Comprendre leurs forces et leurs limites aide à juger ce qu'une IA peut faire — et à quel point on peut lui faire confiance.
Un peu d'histoire
Le premier neurone artificiel est un modèle mathématique proposé en 1943 par McCulloch et Pitts, suivi du perceptron de Rosenblatt en 1958. Les réseaux de neurones sont inspirés (de loin !) du cerveau, mais leur fonctionnement interne est si complexe qu'on les appelle parfois des « boîtes noires ». Depuis 2012, ils dominent la reconnaissance d'images, de sons et de textes.
Définition
Un modèle d'apprentissage est une structure mathématique qui, entraînée sur des données, apprend à réaliser une tâche : classer, prédire une valeur ou prendre une décision.
Propriétés
Arbre de décision
Une suite de questions oui/non qui mène à une conclusion. Très intuitif et facile à lire.
Régression
Prédire une valeur à partir d'autres valeurs observées : par exemple estimer un prix à partir d'une caractéristique.
Réseau de neurones
De nombreuses unités organisées en couches. Très puissant pour images, sons et textes, mais peu lisible.
L'explicabilité
Un modèle « explicable » permet de comprendre pourquoi il a décidé — c'est essentiel dans des domaines sensibles comme la santé ou la justice.
Selon ce que l'on cherche
Arbre de décision
Questions oui/non successives ; intuitif.
Régression
Prédire une valeur à partir de variables observées.
Réseau de neurones
Unités en couches ; puissant mais « boîte noire ».
Explicabilité
Plus un modèle est complexe, plus il est dur à expliquer.
Exemples corrigés
Prédire un prix
Estimer le prix d'un vélo d'occasion selon son âge.
Quel type de modèle ?
Une régression : on prédit une valeur (le prix) à partir d'une variable observée (l'âge).
Pièges à éviter
- Croire qu'un réseau de neurones contient de vrais neurones.
- Penser qu'un modèle puissant est forcément le meilleur (il est souvent moins lisible).
- Oublier que la « boîte noire » rend une erreur difficile à expliquer.
À retenir
- Arbre de décision = questions oui/non, facile à lire.
- Régression = prédire une valeur.
- Réseau de neurones = puissant mais peu explicable.
- Le bon modèle dépend du problème et des données.
Je m'entraîne
1. Pourquoi parle-t-on de « boîte noire » pour un réseau de neurones ?
Voir la correction
Parce qu'il est difficile d'expliquer comment il arrive à son résultat.
2. Quel modèle utiliser pour prédire une valeur numérique ?
Voir la correction
Une régression.
3. Comment un arbre de décision prend-il une décision ?
Voir la correction
En répondant à une suite de questions (oui/non) jusqu'à une conclusion.
📚 Révise cette fiche en flashcards
Connecte-toi pour retourner cette fiche en cartes de rappel actif — et garder ta progression.
Se connecter