En général, deux principaux types d'algorithmes de machine learning sont utilisés aujourd'hui : l'apprentissage supervisé et l'apprentissage non supervisé. La différence entre les deux se définit par la méthode employée pour traiter les données afin de faire des prédictions.
On distingue principalement deux types d'algorithmes parmi les algorithmes d'apprentissage : les algorithmes de classification et de régression. La classification permet de prédire le résultat d'un échantillon donné pour les variables de sortie qui se présentent sous forme de catégorie.
Cette technologie de Machine Learning trouve de nombreuses applications : Facebook qui cherche à taguer les photos publiées sur son site, les équipes de sécurité pressées d'identifier un comportement fautif en temps réel et les voitures autonomes devant avoir une parfaite vue de la route, par exemple.
On distingue trois techniques de Machine Learning : l'apprentissage supervisé, l'apprentissage non-supervisé, et l'apprentissage par renforcement.
Le Machine Learning peut être défini comme étant une technologie d'intelligence artificielle permettant aux machines d'apprendre sans avoir été au préalablement programmées spécifiquement à cet effet.
Dans le domaine du Machine Learning, 3 acteurs se partagent le podium. Il s'agit de Microsoft, IBM et Google. En effet, les 3 acteurs bénéficient de leur statut d'éditeur mondial ainsi que leur empreinte déjà faite dans les domaines du Cloud Computing et du Big Data.
Types d'apprentissage automatique. Il existe fondamentalement 4 types d'algorithmes d'apprentissage automatique : supervisé, semi-supervisé, non supervisé et renforcé. Les experts en apprentissage automatique estiment qu'environ 70 % des algorithmes d'apprentissage automatique utilisés actuellement sont supervisés.
Le machine learning, spécialité de l'intelligence artificielle, est le domaine de la science informatique qui a pour objectif d'analyser et d'interpréter des modèles et des structures de données afin de permettre l'apprentissage, le raisonnement et la prise de décision sans interaction humaine.
On distingue trois principales catégories d'algorithmes de Machine Learning : supervisés, non-supervisés, et semi-supervisés. Chacune de ces catégories repose sur une méthode d'apprentissage différente.
Quelles sont les étapes élémentaires lors de l'apprentissage supervisé ? Collecte des données et leur labellisation. (Une tâche qui n'est pas forcément accomplie par le Data Scientist). Nettoyage des données (Valeurs manquantes, redondance, variables inutiles…).
En 1959, c'est l'informaticien américain Arthur Samuel qui utilise pour la première fois le terme « machine learning », pour son programme créé en 1952. Celui-ci est capable de jouer aux dames et d'apprendre au fur et à mesure de ses parties.
Arthur Samuel, informaticien américain pionnier dans le secteur de l'intelligence artificielle, est le premier à faire usage de l'expression machine learning (en français, « apprentissage automatique ») en 1959 à la suite de la création de son programme pour IBM en 1952.
Le deep learning permet déjà aux agriculteurs de déployer des équipements capables de repérer et de différencier les plantes cultivées et les mauvaises herbes. Cette capacité permet aux machines de désherbage d'épandre des herbicides exclusivement sur les mauvaises herbes tout en épargnant les autres plantes.
Les quatre stratégies cognitives d'exécution (évaluer, vérifier, produire, traduire) représentent une catégorisation des différentes actions ou procédures habituellement associées aux situations de performance, de production et d'exécution.
Dans une entreprise on distingue 2 catégories d'acteurs : Les acteurs internes : Les dirigeants, les salariés, les syndicats. Les acteurs externes : Les fournisseurs, les clients, les actionnaires, les banques …
Le GTP-3 a été décrit comme la percée la plus importante et la plus utile en matière d'intelligence artificielle depuis des années. Il semble être – bien qu'il soit encore dans sa version bêta – le modèle d'intelligence artificielle le plus puissant actuellement disponible.
Classification : Apprentissage associatif. Apprentissage non associatif.
On retrouve par exemple le Machine Learning Studio sur Microsoft Azure, le Cloud AutoML sur Google Cloud, ou AWS SageMaker sur Amazon Web Services. D'autres logiciels comme Google TensorFlow ou Pytorch peuvent permettre de créer des modèles d'entraînement.
Les formes d'apprentissage classiques, lecture, relecture et prise de notes de manière intensive paraissent être les plus efficaces.