Le Machine Learning ou apprentissage automatique est un sous ensemble de l’intelligence artificielle. Cela correspond aux systèmes qui peuvent apprendre à partir de données. On peut donc entraîner un système afin d’affiner son fonctionnement et sa précision.
Selon Arthur Samuel en 1959, le Machine Learning est :
le champ d’étude qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmé.
Depuis, l’objectif central du système apprenant est de généraliser depuis son expérience. Dans ce contexte, la généralisation est l’habilité d’une machine de fonctionner avec précision sur de nouvelles tâches / instructions après avoir emmagasiné de nouvelles données.
Il y a-t-il une différence entre Machine Learning et Data Mining ?
D’une part, le Machine Learning se concentre sur la prédiction en se basant sur les propriétés connues tirées des données « d’entraînement » et utilise également des méthodes d’extraction de données comme « l’apprentissage non supervisé » pour améliorer la précision du programme.
D’autre part, le Data Mining se concentre plutôt sur la découverte de propriétés inconnues au sein de données et utilise beaucoup de méthodes de Machine Learning, souvent avec des buts différents.
Algorithmes et Applications
Pour finir l’article, je vous propose d’abord une liste non-exhaustive de différents algorithmes de Machine Learning:
- Apprentissage supervisé
- Apprentissage semi-supervisé
- Apprentissage non supervisé
- Transduction (raisonnement par observation)
- Apprendre à apprendre (apprentissage multi-tâche)
Et une liste d’applications basées sur l’apprentissage machine :
- Reconnaissance d’objets par ordinateur
- Traitement du langage naturel
- Moteurs de recherche
- Détection de fraude de carte de crédit
- Analyse boursière
- Reconnaissance vocale et écrite
- Ingénierie logicielle
- Diagnostic médical
Enfin, pour les plus courageux (et ceux que je n’auraient pas perdu en route^^) un cours du MIT dédié est disponible en consultation libre.