Machine Learning

• Fonctions de préparation des données.
• Algorithmes (de base et avancés).
• Processus d'automatisation et itératifs.
• Évolutivité
• Modélisation d’ensembles.

• En machine learning, la cible est une « étiquette ».
• En statistique, la cible est une « variable dépendante ».
• Une variable en statistique est une « caractéristique » en machine learning.
• Une transformation en statistique est une « création de caractéristique » en machine learning.

Les algorithmes d'apprentissage supervisé sont entraînés sur des exemples étiquetés, par exemple une entrée dont le résultat attendu est connu. Ainsi, un équipement pourrait comporter des points de données étiquetés « E » (échecs) ou « R » (réussites). L'algorithme d'apprentissage reçoit une série de données en entrée avec les sorties correctes correspondantes, et apprend en comparant la sortie réelle avec les sorties correctes. Il modifie alors le modèle en conséquence. A l'aide de méthodes comme la classification, la régression, la prédiction et le "gradient boosting", l'apprentissage supervisé utilise des schémas pour prédire les valeurs de l'étiquette sur d'autres données non étiquetées. Cette méthode d'apprentissage est couramment utilisée dans les applications où les données historiques servent à prévoir des événements futurs probables. Par exemple, elle permet de savoir dans quels cas des transactions de carte de crédit risquent d'être frauduleuses ou quel assuré est susceptible de soumettre une demande d'indemnisation.

L'apprentissage non supervisé s’applique aux données sans étiquettes historiques. Dans ce cas, le système ne connaît pas la « bonne réponse ». C'est à l'algorithme de déterminer le modèle présenté. Le but est d'explorer les données et d'en découvrir la structure. L'apprentissage non supervisé fonctionne bien avec les données transactionnelles. Il permet par exemple d'identifier des segments de clients qui possèdent des attributs similaires et peuvent donc être traités de la même façon dans les campagnes marketing. Il peut aussi détecter les attributs principaux qui servent à segmenter la clientèle. Parmi les techniques les plus courantes figurent les cartes auto-organisatrices, le mappage du voisin le plus proche, la clusterisation par la méthode des nuées dynamiques et la décomposition en valeurs singulières. Ces algorithmes servent aussi à segmenter des thématiques de texte, à recommander des articles et à identifier des données hors normes.

L'apprentissage semi-supervisé est utilisé pour les mêmes applications que l'apprentissage supervisé. Mais il utilise à la fois des données étiquetées et non étiquetées pour la formation - généralement une petite quantité de données étiquetées avec une grande quantité de données non étiquetées (parce que les données non étiquetées sont moins coûteuses et nécessitent moins d'efforts pour les acquérir). Ce type d'apprentissage peut être utilisé avec des méthodes telles que la classification, la régression et la prédiction. L'apprentissage semi-supervisé est utile lorsque le coût associé à l'étiquetage est trop élevé pour permettre un processus de formation entièrement étiqueté. Parmi les premiers exemples, citons l'identification du visage d'une personne sur une webcam.

L'apprentissage par renforcement est souvent utilisé pour la robotique, les jeux et la navigation. Elle est également utilisée en conjonction avec des techniques d'IA générative, comme les grands modèles de langage. Avec l'apprentissage par renforcement, l'algorithme découvre par essais et erreurs les actions qui rapportent le plus. Ce type d'apprentissage comporte trois composantes principales : l'agent (l'apprenant ou le décideur), l'environnement (tout ce avec quoi l'agent interagit) et les actions (ce que l'agent peut faire). L'objectif est que l'agent choisisse des actions qui maximisent la récompense attendue dans un laps de temps donné. L'agent atteindra son objectif beaucoup plus rapidement en suivant une bonne politique. L'objectif de l'apprentissage par renforcement est donc d'apprendre la meilleure politique.