Apprentissage Automatique

L’apprentissage automatique (ML) est un sous-ensemble de l’intelligence artificielle. Il se concentre sur l’étude d’algorithmes informatiques qui s’améliorent automatiquement par leur propre expérience. Ces algorithmes sont utilisés dans une grande variété d’applications différentes, de la vision par ordinateur aux optimisations mathématiques. Les algorithmes ML sont nécessaires lorsqu’il est difficile ou impossible de développer des algorithmes conventionnels pour effectuer une tâche nécessaire.

Les quatre principaux types de ML comprennent:

• Algorithmes d’apprentissage automatique supervisé qui peuvent appliquer ce qui a déjà été appris dans des situations précédentes à de nouvelles données en utilisant des exemples étiquetés pour prédire les événements futurs possibles.
• Des algorithmes d’apprentissage automatique non supervisés sont utilisés lorsque les informations utilisées pour former le modèle ne sont ni classées ni étiquetées. Un apprentissage non supervisé peut déduire une fonction pour décrire une structure cachée à partir de données non étiquetées. De même, le système n’est pas destiné à déterminer la bonne sortie, mais il explore les données et peut tirer des inférences à partir d’ensembles de données pour décrire des structures cachées à partir de données non étiquetées.
• Les algorithmes d’apprentissage automatique semi-supervisés se situent entre l’apprentissage supervisé et l’apprentissage non supervisé. Ils utilisent à la fois des données étiquetées et non étiquetées pour la formation, biaisant vers les données non étiquetées. L’apprentissage semi-supervisé est sélectionné lorsque les données labellisées acquises nécessitent des ressources qualifiées et appropriées pour se former / apprendre de cela. Sinon, l’acquisition de données sans étiquette ne nécessite généralement aucun capital supplémentaire.
• Les algorithmes d’apprentissage automatique par renforcement sont une méthode d’apprentissage qui produit des actions et découvre les erreurs dans son environnement. Cette méthode permet à l’algorithme de comprendre automatiquement le comportement dans un contexte spécifique afin de maximiser ses performances. La rétroaction de récompense est nécessaire pour que l’agent comprenne quelle action est la meilleure, et ceci est connu comme un signal de renforcement.