3. Qu'est-ce que l'apprentissage automatique (machine learning) ?

3.1. Les concepts clés de l'apprentissage automatique

L'apprentissage de l'IA repose sur plusieurs concepts clés qui permettent à un système informatique d'acquérir des compétences et de s'améliorer avec l'expérience. 

Voici quelques notions essentielles préalables à cette leçon :

Tableau 1 : Concepts clés de l'apprentissage automatique suivi d'exemples

# Concepts Définitions Exemples
1 Algorithme[3] Un algorithme est une suite d’instructions clairement définies pour résoudre un problème ou accomplir une tâche.[3] Pensez à un logiciel qui suit une recette de cuisine étape par étape sans dévier du plan.[3]
2 Algorithme d’apprentissage OU algorithme de machine learning[3] C’est un programme informatique qui utilise des données pour apprendre par lui-même et s’améliorer, sans avoir besoin d’être explicitement programmé pour le faire.[3] Au lieu de suivre une recette à la lettre, l’ordinateur apprend les principes de base de la cuisine. Même s’il n’a jamais fait une recette spécifique, il peut la réaliser en se basant sur sa connaissance des techniques et des ingrédients.[3]
3 Rétropropagation[4] C'est une méthode utilisée en IA pour ajuster les paramètres d’un modèle lorsque celui-ci fait une erreur de prédiction. Le processus est répété jusqu’à ce que le modèle atteigne un niveau de performance satisfaisant.[4] Par exemple, si un modèle de prévision météo prédit qu’il fera beau et qu’il pleut, la rétropropagation permet d’ajuster les paramètres du modèle pour minimiser ce type d’erreur à l’avenir.
4 Arbres de décisions[5] C'est un outil graphique qui aide à prendre des décisions en prévoyant les conséquences possibles d’une série de choix.[5] Par exemple, un arbre de décision pourrait être utilisé pour décider si on doit sortir ou rester à la maison en fonction de la météo, de l’heure et de l’humeur.[6]
5 Itération continue[7] L’apprentissage en intelligence artificielle est un processus d'amélioration continu, qui rectifie ses résultats avec le temps à mesure que de nouvelles données sont disponibles.[7] Par exemple, un modèle de recommandation de films pourrait s’améliorer au fil du temps en apprenant de nouvelles préférences des utilisateurs.