Machine learning models : Ce que c’est et comment les construire

Read in English (Lire en anglais). 

Les machine learning models sont essentiels pour tout, de la science des données au marketing, en passant par la finance, le commerce de détail et bien plus encore. Aujourd'hui, la révolution de l'apprentissage automatique a modifié non seulement la façon dont les entreprises fonctionnent, mais aussi des industries entières.

Mais que sont les machine learning models ? Et comment sont-ils construits ?

Pour comprendre les machine learning models, explorez ce qu'ils sont, comment les créer et quels types d'algorithmes populaires constituent leur fondement. Pour commencer à apprendre, consultez les cours et articles suggérés qui peuvent vous guider vers la maîtrise de l'apprentissage automatique.

Qu'est-ce qu'un modèle d'apprentissage automatique ?

Les machine learning models sont des programmes informatiques utilisés pour reconnaître des modèles dans les données ou faire des prédictions.

Vous créez des machine learning models en utilisant des algorithmes d'apprentissage automatique, qui subissent un processus d'entraînement utilisant des données étiquetées, non étiquetées ou mixtes. Différents algorithmes d'apprentissage automatique conviennent à différents objectifs, comme la classification ou la modélisation prédictive, donc les data scientists utilisent différents algorithmes comme base pour différents modèles. Lorsque vous introduisez des données dans un algorithme spécifique, celui-ci est modifié pour mieux gérer une tâche spécifique et devient un modèle d'apprentissage automatique.

Par exemple, un arbre de décision est un algorithme courant utilisé à la fois pour la classification et la modélisation prédictive. Un data scientist cherchant à créer un modèle d'apprentissage automatique qui identifie différentes espèces animales pourrait entraîner un algorithme d'arbre de décision avec diverses images d'animaux. Au fil du temps, l'algorithme serait modifié par les données et deviendrait de plus en plus performant dans la classification des images d'animaux. À son tour, cela deviendrait finalement un modèle d'apprentissage automatique.

Types d'apprentissage automatique : modèles vs algorithmes

Malgré leurs différences, beaucoup de gens utilisent ces deux termes de manière interchangeable. Les algorithmes d'apprentissage automatique sont des procédures de programmation. Ce sont des méthodes créées pour résoudre un problème ou accomplir une tâche. Les machine learning models sont le résultat de ces procédures, contenant les données et les directives procédurales pour utiliser ces données afin de prédire de nouvelles données.

Comment construit-on un modèle d'apprentissage automatique ?

Vous pouvez créer des machine learning models en entraînant des algorithmes avec des données étiquetées, des données non étiquetées ou un mélange des deux. Il existe quatre algorithmes principaux d'apprentissage automatique :

• Apprentissage supervisé : L'apprentissage supervisé se produit lorsque l'entraînement d'un algorithme utilise des "données étiquetées", qui sont des données marquées d'une étiquette pour qu'un algorithme puisse apprendre avec succès. Les étiquettes d'entraînement aident le modèle d'apprentissage automatique final à classer les données de la manière souhaitée par le chercheur.

• Apprentissage non supervisé : Les algorithmes non supervisés utilisent des données non étiquetées pour entraîner un algorithme. Dans ce processus, l'algorithme trouve des modèles dans les données elles-mêmes et crée ses propres clusters de données. L'apprentissage non supervisé et la reconnaissance de modèles sont utiles pour les chercheurs qui cherchent à trouver des modèles dans des données qui leur sont actuellement inconnues.

• Apprentissage semi-supervisé : L'apprentissage semi-supervisé utilise des données étiquetées et non étiquetées pour entraîner un algorithme. Dans ce processus, l'algorithme est d'abord entraîné avec une petite quantité de données étiquetées avant d'être entraîné avec une quantité beaucoup plus importante de données non étiquetées.

• Apprentissage par renforcement : L'apprentissage par renforcement est une technique d'apprentissage automatique qui attribue des valeurs positives et négatives aux actions souhaitées et non souhaitées. L'objectif est d'encourager les programmes à éviter les exemples d'entraînement négatifs et à rechercher les positifs, apprenant à maximiser les récompenses par essais et erreurs. Vous pouvez utiliser l'apprentissage par renforcement pour diriger l'apprentissage automatique non supervisé.

Quels sont les paramètres dans les machine learning models ?

Avant que les ingénieurs en apprentissage automatique n'entraînent un algorithme d'apprentissage automatique, ils doivent d'abord définir les hyperparamètres de l'algorithme, qui agissent comme des guides externes qui informent le processus de décision et dirigent la manière dont l'algorithme va apprendre. Par exemple, le nombre de branches sur un arbre de régression, le taux d'apprentissage et le nombre de clusters dans un algorithme de clustering sont tous des exemples d'hyperparamètres.

Au fur et à mesure que l'algorithme est entraîné et dirigé par les hyperparamètres, les paramètres se forment en réponse aux données d'entraînement. Ces paramètres incluent les poids et les biais formés par l'algorithme pendant l'entraînement. Les paramètres finaux d'un modèle d'apprentissage automatique sont les paramètres du modèle, qui s'adaptent idéalement à un ensemble de données sans aller au-delà ou en deçà.

Bien que vous puissiez identifier les paramètres d'un modèle d'apprentissage automatique, vous ne pouvez pas identifier les hyperparamètres utilisés pour le créer.

Types de machine learning models

Deux types de problèmes dominent l'apprentissage automatique : la classification et la prédiction.

Vous pouvez aborder ces problèmes en utilisant des modèles dérivés d'algorithmes conçus pour la classification ou la régression (une méthode utilisée pour la modélisation prédictive). Le même algorithme peut parfois être utile pour les modèles de classification ou de régression, en fonction de son entraînement.

Explorez la liste suivante d'algorithmes populaires pour les modèles de classification et de régression.

Modèles de classification d'apprentissage automatique

• Régression logistique

• Naïve Bayes

• Arbres de décision

• Forêt aléatoire

• K plus proches voisins (KNN)

• Machine à vecteurs de support

Modèles de régression d'apprentissage automatique

• Régression linéaire

• Régression Ridge

• Arbres de décision

• Forêt aléatoire

• K plus proches voisins (KNN)

• Régression par réseau de neurones

Découvrez comment apprendre les modèles ML avec des conseils d'experts sur Coursera

Les machine learning models utilisent des ensembles de données complexes pour découvrir des modèles et en tirer des insights. Que vous cherchiez à devenir un data scientist ou que vous souhaitiez simplement approfondir votre compréhension du domaine de l'apprentissage automatique, vous inscrire à un cours en ligne peut vous aider à faire progresser votre carrière.

Dans la Spécialisation en apprentissage automatique de Stanford et DeepLearning.AI, vous maîtriserez les concepts fondamentaux de l'IA et développerez des compétences pratiques en apprentissage automatique dans un programme de trois cours adapté aux débutants, conçu par Andrew Ng, visionnaire de l'IA.

La Spécialisation Deep Learning de DeepLearning.AI, quant à elle, vous apprend à construire et à entraîner l'architecture des réseaux neuronaux et à contribuer au développement de systèmes d'apprentissage automatique.