Classification
Attribuer une observation à une catégorie déjà connue.
Exemple : reconnaître si une image contient un visageDécouvrez comment les modèles apprennent à partir d’exemples, reconnaissent des régularités dans les données et utilisent ensuite cet apprentissage pour prédire, classer ou organiser de nouvelles observations.
Un programme informatique classique suit des règles écrites à l’avance : on lui indique précisément quoi faire dans chaque situation. L’intelligence artificielle, telle qu’on l’entend ici, fonctionne autrement. Plutôt que de programmer des règles, on montre au modèle un grand nombre d’exemples déjà résolus, et c’est lui qui en déduit les régularités. Une fois cette étape d’apprentissage terminée, le modèle peut traiter des situations qu’il n’a jamais rencontrées : prédire, classer ou organiser de nouvelles observations à partir de ce qu’il a appris.
Prenons un exemple simple : reconnaître si une photo montre un chat. Écrire des règles précises pour décrire un chat en toutes circonstances serait presque impossible — trop de races, de postures, d’éclairages. Un modèle entraîné sur des milliers de photos déjà identifiées apprend plutôt à repérer lui-même ce qui distingue un chat, puis applique cette connaissance à des photos inédites. Voici trois grandes façons dont cette capacité est utilisée en pratique.
Attribuer une observation à une catégorie déjà connue.
Exemple : reconnaître si une image contient un visagePrédire une valeur numérique à partir de plusieurs caractéristiques.
Exemple : estimer le prix d’une maison selon sa superficieRepérer des groupes dans les données sans catégories connues d’avance.
Exemple : regrouper des clients aux habitudes d’achat similairesChaque algorithme du Machine Learning répond à une même logique : apprendre à partir de données, puis utiliser cet apprentissage pour prédire, classer ou organiser de nouvelles observations. Ce qui change d’un algorithme à l’autre, c’est la manière dont cet apprentissage est réalisé. Les articles proposés ici permettent d’aller au-delà des définitions : chaque méthode est expliquée progressivement, puis mise en pratique à travers une expérience interactive permettant de modifier les données ou les paramètres et d’observer directement la réponse de l’algorithme.
Une série d’articles interactifs pour comprendre visuellement les méthodes essentielles du Machine Learning.
Classer un nouveau cas à partir des observations qui lui ressemblent le plus.
Chercher une frontière optimale pour séparer différentes catégories de données.
Prédire une valeur continue à partir des relations observées dans les données.
Estimer la probabilité qu’une observation appartienne à une catégorie.
Construire une prédiction à travers une succession de règles simples.
Combiner plusieurs arbres de décision pour obtenir une prédiction plus robuste.
Faire émerger automatiquement des groupes d’observations similaires.
Améliorer progressivement un modèle en corrigeant ses erreurs successives.
Apprendre des relations complexes grâce à plusieurs couches successives de calcul.