Chapitre 2 - Types de Machine Learning

Dans ce chapitre, nous allons explorer les trois principaux types de Machine Learning :
l'apprentissage supervisé, l'apprentissage non supervisé, et l'apprentissage par
renforcement. Nous définirons chaque type, expliquerons comment ils fonctionnent, et
fournirons des exemples pratiques pour illustrer chaque concept.

2.1 Apprentissage Supervisé

Qu'est-ce que l'apprentissage supervisé ?
L'apprentissage supervisé est une technique de Machine Learning où le modèle est formé sur
un ensemble de données étiquetées. Cela signifie que chaque exemple dans le jeu de
données de formation comporte une entrée et une sortie souhaitée. L'objectif est
d'apprendre une fonction qui mappe les entrées aux sorties correctes.

Fonctionnement de l'apprentissage supervisé

1. Collecte des données : On commence par rassembler un ensemble de données avec des
entrées et des sorties connues.
2. Préparation des données : Les données sont nettoyées et transformées pour être prêtes
pour l'entraînement.
3. Choix du modèle : Un modèle de Machine Learning (comme la régression linéaire, les
arbres de décision, etc.) est choisi en fonction du problème.
4. Entraînement du modèle : Le modèle est entraîné en utilisant les données étiquetées.
5. Évaluation du modèle : La performance du modèle est évaluée en utilisant un ensemble
de données de test.
6. Prédiction : Une fois le modèle entraîné et évalué, il peut être utilisé pour faire des
prédictions sur de nouvelles données.

Exemples d'apprentissage supervisé

Régression linéaire : Prédire le prix d'une maison en fonction de ses caractéristiques
(taille, emplacement, etc.).
Classification : Identifier si un e-mail est un spam ou non.

Exemple pratique : Régression linéaire

Imaginons que vous ayez un ensemble de données avec des informations sur les prix des
maisons. Chaque entrée contient des caractéristiques comme la taille de la maison et le
nombre de chambres. La sortie est le prix de la maison.
1. Données :
Entrées : Taille (m²), Nombre de chambres
Sortie : Prix (en euros)
2. Modèle : Nous choisissons la régression linéaire pour prédire le prix basé sur les
caractéristiques.
3. Entraînement : Nous utilisons l'ensemble de données pour entraîner le modèle à prédire
le prix des maisons.
4. Prédiction : Une fois entraîné, nous pouvons utiliser le modèle pour prédire le prix d'une
nouvelle maison en fonction de sa taille et du nombre de chambres.

2.2 Apprentissage Non Supervisé

Qu'est-ce que l'apprentissage non supervisé ?
L'apprentissage non supervisé est une technique de Machine Learning où le modèle est
formé sur un ensemble de données non étiquetées. L'objectif est de trouver des structures
ou des motifs cachés dans les données.

Fonctionnement de l'apprentissage non

supervisé
1. Collecte des données : On rassemble un ensemble de données sans étiquettes.
2. Préparation des données : Les données sont nettoyées et transformées pour être prêtes
pour l'entraînement.
3. Choix du modèle : Un modèle de Machine Learning (comme le clustering, l'analyse en
composantes principales, etc.) est choisi en fonction du problème.
4. Entraînement du modèle : Le modèle apprend les structures et motifs dans les données.
5. Interprétation : Les résultats sont interprétés pour découvrir des insights sur les données.

Exemples d'apprentissage non supervisé

Clustering (regroupement) : Regrouper des clients en segments similaires pour le
marketing.
Réduction de dimensionnalité : Réduire le nombre de variables dans un ensemble de
données tout en conservant l'information essentielle.
Exemple pratique : Clustering avec k-means
Imaginons que vous ayez des données sur les clients d'un magasin, incluant leurs achats,
âge, et autres caractéristiques. Vous voulez segmenter ces clients en groupes similaires pour
des campagnes marketing ciblées.
1. Données :
Caractéristiques : Montant des achats, Âge, Fréquence des visites
2. Modèle : Nous choisissons l'algorithme de clustering k-means.
3. Entraînement : Le modèle k-means regroupe les clients en clusters basés sur leurs
caractéristiques.
4. Interprétation : Les résultats montrent différents segments de clients que vous pouvez
cibler avec des stratégies marketing spécifiques.

2.3 Apprentissage par Renforcement

Qu'est-ce que l'apprentissage par renforcement ?
L'apprentissage par renforcement est une technique de Machine Learning où un agent
apprend à prendre des décisions en interagissant avec son environnement pour maximiser
une récompense cumulative. Contrairement aux autres types d'apprentissage, il n'y a pas de
données étiquetées préexistantes. L'agent apprend par essais et erreurs.

Fonctionnement de l'apprentissage par

renforcement
1. Agent et environnement : Un agent interagit avec un environnement en prenant des
actions.
2. Récompense : L'agent reçoit une récompense ou une pénalité basée sur l'action prise.
3. Politique : L'agent utilise une politique pour déterminer quelle action prendre en
fonction de l'état actuel.
4. Entraînement : L'agent apprend à améliorer sa politique pour maximiser la récompense
cumulative au fil du temps.

Exemples d'apprentissage par renforcement

Jeux : Enseigner à un agent à jouer à des jeux comme le Go ou les échecs.
Robots : Apprendre à un robot à marcher ou à naviguer dans un environnement.
Exemple pratique : Apprentissage par
renforcement avec un jeu
Imaginons que vous vouliez apprendre à un agent à jouer à un jeu de labyrinthe où il doit
trouver la sortie en évitant des obstacles.
1. Environnement : Le labyrinthe avec des obstacles et une sortie.
2. Agent : Un programme qui peut se déplacer dans le labyrinthe.
3. Actions : Déplacer vers le haut, le bas, la gauche, la droite.
4. Récompense : +1 pour atteindre la sortie, -1 pour entrer en collision avec un obstacle, 0
pour chaque mouvement.
L'agent explore le labyrinthe, et au fil du temps, il apprend la meilleure stratégie pour trouver
la sortie en maximisant sa récompense cumulative.

Conclusion du Chapitre
Ce chapitre a introduit les trois principaux types de Machine Learning : l'apprentissage
supervisé, l'apprentissage non supervisé, et l'apprentissage par renforcement. Chacun de
ces types a des applications et des méthodes distinctes pour apprendre à partir des données.
En comprenant ces concepts, vous pouvez choisir la bonne approche pour résoudre
différents types de problèmes en Machine Learning.