Module 2
Comprendre comment les machines apprennent
Objectifs d’apprentissage
- Expliquer la notion d’apprentissage à partir d’exemples
- Distinguer apprentissage supervisé et non supervisé
- Comprendre le rôle des données d’entraînement
Plutôt que d’écrire chaque règle à la main, on montre à la machine de nombreux exemples. Elle ajuste progressivement ses paramètres pour réduire ses erreurs : c’est l’apprentissage.
En apprentissage supervisé, chaque exemple est accompagné de la bonne réponse (une photo de mangue étiquetée « mangue »). En apprentissage non supervisé, la machine cherche seule des regroupements dans les données.
La qualité des données détermine la qualité du modèle. Des données incomplètes ou biaisées produisent des prédictions incomplètes ou biaisées.
Exemple agricole
Pour reconnaître les maladies du caféier, on entraîne un modèle avec des milliers de photos de feuilles étiquetées « saine » ou « rouille ». Le modèle apprend ensuite à classer de nouvelles photos prises par des agriculteurs.
Exercice pratique
Imaginez un modèle qui prédit la réussite à un examen. Quelles données utiliseriez-vous ? Lesquelles pourraient introduire un biais ?
Quiz de connaissances
1. En apprentissage supervisé, les données d’entraînement…
2. Regrouper des clients selon leurs habitudes d’achat sans catégories prédéfinies relève de…
3. Que se passe-t-il si les données sont biaisées ?
À retenir
- Apprendre = ajuster des paramètres à partir d’exemples.
- Supervisé : avec réponses ; non supervisé : sans réponses.
- Des données de qualité sont essentielles.