Les différents algorithmes d'apprentissage automatique

Définition de l’apprentissage automatique

L'apprentissage automatique (ML) est un domaine de l'intelligence artificielle qui développe des algorithmes capables d'apprendre à partir des données pour exécuter des tâches sans instructions explicites.
Des exemples incluent la reconnaissance faciale, la prédiction des prix, ou le tri des e-mails.

Catégories principales

1. Apprentissage supervisé Les algorithmes apprennent à partir de données avec des étiquettes (labels) connues (ex. : prix d'une maison ou catégorisation d'e-mails).

   • Régression : Prédire une variable continue (ex. : prix).
   • Classification : Attribuer une catégorie (ex. : spam ou non-spam).

   Exemple : Prédire le prix d'une maison en fonction de la surface, l’emplacement, et l’année de construction.

   

2. Apprentissage non supervisé Les algorithmes analysent des données sans connaître de vérité préalable.

   • Clustering : Regrouper des données similaires (ex. : trier automatiquement des e-mails en groupes).
   • Réduction de dimensions : Simplifier les données sans perdre trop d’information (ex. : compresser une image tout en reconnaissant ses objets).

Principaux algorithmes

1. Régression linéaire
   Trouve une relation linéaire entre une entrée et une sortie pour minimiser l'erreur de prédiction.

   Exemple : Relation entre taille et pointure : chaque pointure de plus = 2 cm de plus en taille (exemple simplifié).

   

2. Régression logistique
   Prédit des probabilités pour des classes (ex. : homme ou femme selon taille/poids).
   Utilise une fonction sigmoïde pour modéliser les classes.

3. K-Nearest Neighbors (KNN)
   Prend la moyenne des K plus proches voisins pour prédire une valeur (classification ou régression).

   Attention

   Problème d’overfitting si K est trop petit ou underfitting si trop grand (tester plusieurs K pour savoir).

   

4. SVM (Support Vector Machines)
   Trace une limite qui sépare des classes avec une marge maximale pour éviter les erreurs.

   

5. Arbres de décision Modèle des décisions successives sous forme d’arbre, basé sur des règles “oui/non”.

6. Forêts aléatoires (Random Forests) Combine plusieurs arbres pour éviter le surapprentissage. Chaque arbre vote pour une prédiction finale.

7. Boosting (ex. : AdaBoost, Gradient Boosting) Corrige les erreurs de modèles précédents pour améliorer la précision.

8. Réseaux de neurones (Deep Learning)

   • Utilisent des layers cachées pour détecter automatiquement des relations complexes.
   • Exemple simplifié : Reconnaître un chiffre malgré des écritures différentes.

   

Apprentissage non supervisé : Clustering

• K-Means Clustering : Regroupe des données selon leur proximité avec des centres de clusters.
• Autres techniques : Clustering hiérarchique, DBScan.

Réduction de dimensions

• Exemple : La réduction via PCA (Analyse en Composantes Principales) fusionne des variables corrélées pour simplifier les données.

Résumé des algorithmes

Algorithme	Type	Exemple d’utilisation
Régression linéaire	Régression	Prédire le prix d’une maison.
KNN	Les deux	Catégoriser des individus.
Forêts aléatoires	Les deux	Détection de fraude.
Réseaux de neurones	Les deux	Reconnaissance d’image.
K-Means Clustering	Non-supervisé	Groupement d’e-mails similaires.