Qu’est-ce que l’apprentissage automatique ?

L'apprentissage automatique est un domaine de l'informatique qui utilise des technologies statiques pour donner aux systèmes informatiques la possibilité d'« apprendre » avec données, sans étant explicitement programmé.

Cela signifie que "Le ML consiste à apprendre à partir des données"

La programmation explicite signifie, écrire des codes pour chaque scénario, pour gérer cette situation.

Dans l'apprentissage automatique, au lieu d'écrire du code explicite pour chaque scénario, nous entraînons les modèles à apprendre des modèles à partir des données, leur permettant ainsi de faire des prédictions ou décisions pour des situations invisibles.

Donc, nous donnons entrée et sortie, mais n'écrivons aucun code pour chaque cas. Les algorithmes ML les gèrent automatiquement.

Un exemple simple peut utiliser :

Fonction de sommation :

En programmation explicite, pour ajouter 2 nombres, nous écrivons du code spécifique qui ne fonctionne que dans ce cas. Ce code ne fonctionnera pas pour ajouter 5 ou N nombres sans modification.

En revanche, avec ML, nous pouvons fournir un fichier Excel où chaque ligne contient des nombres différents et leur somme. Au fur et à mesure que l'algorithme ML s'entraîne sur cet ensemble de données, il apprend le modèle d'addition. À l'avenir, lorsqu'on lui donnera 2, 10 ou N nombres, il pourra effectuer l'addition en fonction du modèle appris, sans avoir besoin de code spécifique pour chaque scénario.

Où utilisons-nous le ML ?

• Classificateur de courrier indésirable :

Dans la programmation explicite, j'ai écrit plusieurs conditions if-else, telles que : "Si un mot-clé apparaît 3 fois ou plus, il sera signalé comme spam." Par exemple, si le mot « Énorme » est utilisé trois fois, il est marqué comme spam.

Maintenant, imaginez qu'une société de publicité se rende compte qu'il existe un algorithme comme celui-ci pour détecter son spam. Ainsi, au lieu de répéter « Énorme » 3 fois, ils utilisent des synonymes comme « Énorme », « Massif » et « Grand ». Dans ce cas, la règle originale ne fonctionnerait pas. Quelle serait la solution ? Dois-je à nouveau modifier mes algorithmes précédents ? Combien de fois pourrai-je faire ça ?

Dans ML, le modèle apprend des données fournies et crée automatiquement des algorithmes basés sur ces données. Si les données changent, l'algorithme s'ajuste en conséquence. Il n'est pas nécessaire de modifier manuellement l'algorithme, il se mettra à jour si nécessaire en fonction des nouvelles données.

• Classification des images :

Dans la programmation explicite pour la classification d'images, nous aurions besoin d'écrire manuellement des règles pour identifier les caractéristiques d'un chien, comme sa forme, sa taille, la couleur de sa fourrure ou sa queue. Ces règles ne fonctionneraient que pour des images spécifiques et ne se généraliseraient pas à toutes les races de chiens. Si nous rencontrions de nouvelles races ou variantes, nous devrons ajouter de nouvelles règles pour chacune.

Dans ML, au lieu d'écrire des règles spécifiques, nous fournissons au modèle un vaste ensemble de données d'images de chiens classées par race. Le modèle apprend ensuite des modèles à partir des données, telles que les caractéristiques communes de différentes races, et utilise ces connaissances acquises pour classer de nouvelles images de chiens, même s'il n'a jamais vu ces races exactes auparavant. L'algorithme s'adapte automatiquement aux variations des données.

de plus, il existe des milliers d'utilisations du ML. Vous vous demandez peut-être :
pourquoi l'apprentissage automatique n'était-il pas aussi populaire avant 2010 ?

• La capacité de stockage limitée rendait difficile le stockage de grandes quantités de données en raison du manque de disques durs.
• Il n'y avait pas suffisamment de données disponibles pour former efficacement des modèles d'apprentissage automatique.
• Les limitations matérielles, telles que les GPU et les processeurs moins puissants, limitaient la capacité d'exécuter efficacement des algorithmes complexes.

Aujourd'hui, nous générons des millions de points de données chaque jour. Grâce à cette grande quantité de données, les modèles ML deviennent désormais plus précis, efficaces et capables de résoudre des problèmes complexes. Ils peuvent apprendre des modèles, faire des prédictions et automatiser des tâches dans divers domaines tels que la santé, la finance et la technologie, améliorant ainsi la prise de décision et favorisant l'innovation.

Merci d'avoir pris le temps de lire ceci.