Le machine learning (ML) alimente certaines des technologies les plus importantes que nous utilisons, des applications de traduction aux véhicules autonomes. Ce cours explique les concepts de base du ML.
Le ML offre une nouvelle façon de résoudre des problèmes, de répondre à des questions complexes et de créer du contenu. Le ML peut prédire la météo, estimer les temps de trajet, recommander des chansons, compléter automatiquement des phrases, résumer des articles et générer des images inédites.
En termes simples, le ML est le processus d'entraînement d'un logiciel, appelé modèle, pour effectuer des prédictions utiles ou générer du contenu (comme du texte, des images, de l'audio ou des vidéos) à partir de données.
Par exemple, supposons que nous voulions créer une application pour prédire les précipitations. Nous pouvons utiliser une approche traditionnelle ou une approche de ML. Avec une approche traditionnelle, nous créerions une représentation basée sur la physique de l'atmosphère et de la surface de la Terre, en calculant d'énormes quantités d'équations de dynamique des fluides. C'est incroyablement difficile.
En utilisant une approche de ML, nous fournissons à un modèle de ML d'énormes quantités de données météorologiques jusqu'à ce qu'il apprenne la relation mathématique entre les schémas météorologiques qui produisent différentes quantités de pluie. Nous fournissons ensuite au modèle les données météorologiques actuelles, et il prédit la quantité de pluie.
Testez vos connaissances
Types de systèmes de ML
Les systèmes de ML appartiennent à une ou plusieurs des catégories suivantes en fonction de la façon dont ils apprennent à faire des prédictions ou à générer du contenu :
- Apprentissage supervisé
- Apprentissage non supervisé
- Apprentissage par renforcement
- IA générative
Apprentissage supervisé
Les modèles d'apprentissage supervisé peuvent faire des prédictions après avoir vu de nombreuses données avec les réponses correctes, puis découvert les liens entre les éléments des données qui produisent les réponses correctes. C'est comme si un élève apprenait de nouvelles notions en étudiant d'anciens examens contenant à la fois des questions et des réponses. Une fois que l'élève s'est entraîné sur un nombre suffisant d'anciens examens, il est bien préparé pour passer un nouvel examen. Ces systèmes de ML sont "supervisés" dans le sens où un humain fournit au système de ML des données avec les résultats corrects connus.
La régression et la classification sont deux des cas d'utilisation les plus courants de l'apprentissage supervisé.
Régression
Un modèle de régression prédit une valeur numérique. Par exemple, un modèle météorologique qui prédit la quantité de pluie en pouces ou en millimètres est un modèle de régression.
Vous trouverez d'autres exemples de modèles de régression dans le tableau ci-dessous :
| Scénario | Données d'entrée possibles | Prédiction numérique |
|---|---|---|
| Prix futur de la maison | Superficie, code postal, nombre de chambres et de salles de bain, superficie du terrain, taux d'intérêt hypothécaire, taux d'imposition foncière, coûts de construction et nombre de maisons à vendre dans la région. | Prix de la maison. |
| Durée du trajet futur | les conditions de circulation historiques (recueillies à partir de smartphones, de capteurs de trafic, d'applications de navigation et de covoiturage, etc.), la distance jusqu'à la destination et les conditions météorologiques. | Temps en minutes et en secondes pour arriver à destination. |
Classification
Les modèles de classification prédisent la probabilité qu'un élément appartienne à une catégorie. Contrairement aux modèles de régression, dont la sortie est un nombre, les modèles de classification génèrent une valeur indiquant si un élément appartient ou non à une catégorie spécifique. Par exemple, les modèles de classification sont utilisés pour prédire si un e-mail est un spam ou si une photo contient un chat.
Les modèles de classification sont divisés en deux groupes : la classification binaire et la classification multiclasse. Les modèles de classification binaire génèrent une valeur à partir d'une classe qui ne contient que deux valeurs (par exemple, un modèle qui génère rain ou no rain). Les modèles de classification multiclasse génèrent une valeur à partir d'une classe contenant plus de deux valeurs (par exemple, un modèle pouvant générer rain, hail, snow ou sleet).
Testez vos connaissances
Apprentissage non supervisé
Les modèles d'apprentissage non supervisé effectuent des prédictions à partir de données ne contenant aucune réponse correcte. L'objectif d'un modèle d'apprentissage non supervisé est d'identifier des tendances significatives dans les données. En d'autres termes, le modèle ne reçoit aucune indication sur la façon de catégoriser chaque élément de données, mais doit inférer ses propres règles.
Un modèle d'apprentissage non supervisé couramment utilisé emploie une technique appelée clustering. Le modèle identifie les points de données qui délimitent les regroupements naturels.
Figure 1 : Un modèle de ML regroupant des points de données similaires.
Figure 2 : Groupes de clusters avec des limites naturelles.
Le clustering diffère de la classification, car les catégories ne sont pas définies par vous. Par exemple, un modèle non supervisé peut regrouper un ensemble de données météorologiques en fonction de la température, révélant ainsi des segmentations qui définissent les saisons. Vous pouvez ensuite essayer de nommer ces clusters en fonction de votre compréhension de l'ensemble de données.
Figure 3. Un modèle de ML regroupant des schémas météorologiques similaires.
Figure 4. Groupes de conditions météorologiques identifiés comme neige, grésil, pluie et pas de pluie.
Testez vos connaissances
Apprentissage par renforcement
Les modèles d'apprentissage par renforcement font des prédictions en recevant des récompenses ou des pénalités en fonction des actions effectuées dans un environnement. Un système d'apprentissage par renforcement génère une stratégie qui définit la meilleure façon d'obtenir le plus de récompenses.
L'apprentissage par renforcement est utilisé pour entraîner les robots à effectuer des tâches, comme se déplacer dans une pièce, et les logiciels comme AlphaGo à jouer au jeu de Go.
IA générative
L'IA générative est une classe de modèles qui crée du contenu à partir des saisies des utilisateurs. Par exemple, l'IA générative peut créer des images, des compositions musicales et des blagues uniques. Elle peut résumer des articles, expliquer comment effectuer une tâche ou retoucher une photo.
L'IA générative peut prendre en compte différentes entrées et créer différentes sorties, comme du texte, des images, de l'audio et des vidéos. Il peut également prendre et créer des combinaisons de ces éléments. Par exemple, un modèle peut prendre une image en entrée et créer une image et du texte en sortie, ou prendre une image et du texte en entrée et créer une vidéo en sortie.
Nous pouvons discuter des modèles génératifs en fonction de leurs entrées et sorties, généralement écrites sous la forme "type d'entrée"-vers-"type de sortie". Par exemple, voici une liste partielle d'entrées et de sorties pour les modèles génératifs :
- Texte-vers-texte
- Texte-vers-image
- Texte-vers-vidéo
- Texte-vers-code
- Synthèse vocale
- Image et texte-vers-image
Le tableau suivant contient des exemples de modèles génératifs, de leurs entrées et de leurs sorties possibles :
| Modèle | Entrée | Exemple de résultat : |
|---|---|---|
| Texte-vers-texte | Qui a inventé la course des 24 Heures du Mans ? |
Les 24 Heures du Mans ont été fondées par l'Automobile Club de l'Ouest (ACO), une organisation automobile fondée en 1906. La première course a eu lieu les 26 et 27 mai 1923 sur le circuit de la Sarthe, un circuit routier de 13,426 kilomètres (8,345 miles) situé près de la ville du Mans, en France.
La course a été conçue à l'origine pour promouvoir l'ACO et la région de la Sarthe. Source : Bard |
| Texte-vers-image | Une pieuvre extraterrestre flotte à travers un portail en lisant un journal. |
 Source : Imagen |
| Texte-vers-vidéo | Un ours en peluche photoréaliste nage dans l'océan à San Francisco. L'ours en peluche est immergé. L'ours en peluche continue de nager sous l'eau avec des poissons colorés. Un panda nage sous l'eau. |
 Source : Phenaki |
| Texte-vers-code | Écris une boucle Python qui parcourt une liste de nombres et affiche les nombres premiers. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) Source : Bard |
| Image-vers-texte |  |
C'est un flamant rose. On les trouve dans les Caraïbes. Source : Google DeepMind |
Comment fonctionne l'IA générative ? De manière générale, les modèles génératifs apprennent des schémas dans les données dans le but de produire de nouvelles données similaires. Voici quelques exemples de modèles génératifs :
- Comédiens qui apprennent à imiter les autres en observant leur comportement et leur façon de parler
- Artistes qui apprennent à peindre dans un style particulier en étudiant de nombreuses peintures de ce style
- Groupes de reprises qui apprennent à imiter un groupe de musique spécifique en écoutant beaucoup de musique de ce groupe
Pour produire des résultats uniques et créatifs, les modèles génératifs sont d'abord entraînés à l'aide d'une approche non supervisée, où le modèle apprend à imiter les données sur lesquelles il est entraîné. Le modèle est parfois entraîné davantage à l'aide de l'apprentissage supervisé ou par renforcement sur des données spécifiques liées aux tâches qu'il peut être amené à effectuer (par exemple, résumer un article ou retoucher une photo).
L'IA générative est une technologie qui évolue rapidement et de nouveaux cas d'utilisation sont constamment découverts. Par exemple, les modèles génératifs aident les entreprises à affiner les images de leurs produits d'e-commerce en supprimant automatiquement les arrière-plans distrayants ou en améliorant la qualité des images basse résolution.