Introduction à l’Apprentissage

Automatique
Définitions
L’apprentissage est un ensemble de mécanismes menant à l’acquisition d’un savoir-faire ou
de connaissance.
L’apprentissage automatique, dit aussi apprentissage machine (machine learning en anglais)
ou apprentissage artificiel, est un ensemble de techniques permettant à l’ordinateur
d’apprendre sans avoir été programmé explicitement pour le faire, à partir de données
exemples du concept à apprendre.
Il est convenu de considérer l’apprentissage automatique comme une branche (la plus
importante) de l’Intelligence Artificielle, bien que ça soit un champ hautement
multidisciplinaire où les statistiques sont très présentes.
Ces dernières années, l’apprentissage automatique a progressé de manière fulgurante en
termes de compréhension théorique et surtout d’application pratiques. On les retrouve dans
tous les domaines de la vie.

Les raisons de son succès

Les raisons de son succès maintenant, est la disponibilité de machines puissantes, et de
données disponibles en quantité phénoménale.
Une reconnaissance indiscutable que l’exploitation des informations cachées dans les grandes
sources de données, couplée avec une disponibilité à moindre cout de matérielles et de
logiciels de traitement et de stockage des données.

Comment ça marche
L’apprentissage automatique est la programmation des ordinateurs pour optimiser un critère
de performance en utilisant des données des expériences passées.
L’apprentissage automatique permettra dans certains cas d’extraire (d’apprendre) des règles
à partir d’exemples de situations existantes, sans avoir à les programmer comme cela se fait
pour les systèmes experts (autre branche de l’Intelligence artificielle.
Il s’agit de trouver un modèle paramétrable. L’apprentissage automatique consiste à exécuter
un programme pour optimiser ces paramètres sur les données du passé (historique).
Ce modèle peut être prédictif et nous aider à faire des prédictions (futures), ou descriptif et
nous aider à comprendre ces données, ou les deux.
Exemples d’applications :
a. Automatiser le processus d’octroi d’un prêt en prédisant bons et mauvais payeurs.
b. Identifier des associations intéressantes entre les ventes de certains produits, afin de
mieux gérer leurs disponibilités et optimiser leurs ventes.

Les Types d’apprentissages automatiques

On distinguera 3 types d’apprentissage :
1. Le supervisé 2. Le non supervisé 3. Le semi supervisé
L’apprentissage supervisé :
Nous avons en entrée un ensemble d’exemples du type (x1, x2, x3, …, xn, y)
{ x1, x2, x3, …, xn} représentants des valeurs d’attributs, y est la valeur décisionnelle (ou classe)
associée à ces valeurs. Si cette valeur est numérique, nous avons un problème de régression,
si elle est catégorique (symbolique), nous avons un problème de classification.
Régression et classification sont les deux applications de l’apprentissage supervisé.
La valeur décisionnelle, la classe, ou l’étiquetage des exemples est souvent conduit sous la
supervision d’experts.
Le processus d’apprentissage supervisé se décompose en 2 phases :
La première est l’apprentissage (ou l’entrainement) en lui-même. Un algorithme spécialisé
apprendra à partir des exemples, un modèle capable de prédire la valeur décisionnelle (la
classe, l’étiquette) en fonctions des valeurs des attributs des exemples.
La deuxième est l’exploitation de ce modèle pour prédire les valeurs décisionnelles de tout
nouvel exemple (cas, situation) non étiqueté dont les valeurs d’attributs sont connues.
A vrai dire la plupart des approches approches apprentissages automatiques seront par
modèle, un cas à part sera par exemples.
Par modèle : le plus commun. Un modèle déterminé par un certain nombre de paramètre
mappera les valeurs des attributs (en entrée) avec la valeur en sortie (classe, valeur
décisionnelle). On répète qu’un algorithme et des exemples de la base d’apprentissage qui
construiront le modèle. Ces exemples non plus de rôle.
Exemples d’algorithmes : Naïve Bayes, ID3, C4.5
Par exemples (Apprentissage à base d’exemples ou d’instances) : Aucune phase
d’apprentissage n’est nécessaire, donc aucun modèle n’est construit. L’ensemble des
exemples est en quelque sorte le modèle. Ils seront sauvegardés en mémoire. Lors de la phase
d’exploitation, la valeur en sortie sera déterminée à partir des valeurs des exemples similaires
de l’exemple sans sortie.
Exemple d’algorithme KNN ou K plus proche voisin.
Apprentissage non supervisée :
Les exemples de la base d’apprentissage ne sont classés, pas de valeur décisionnelle
disponible.
On cherche toujours à trouver des patterns cachés dans ces données, a l’exemple de clusters
(groupes homogènes de données) ou des associations (liens solides entre attributs).
Exemples d’algorithmes : Kmeans, Apriori
Apprentissage semi supervisée : Situation très fréquente dans le monde réel où seulement
une partie des données est étiquetées (classe, valeur decisionnelle connue). Les exemples non
étiquetés seront comme exploités car contenants sans doute des informations utiles à
l’apprentissage.
Les exemples : Des variantes d’algorithmes tels que SVM, …
Les types de données :
Données catégoriques : Variables discrètes pouvant prendre un nombre limité, fini de valeurs
possibles. L’attribut prendra sa valeur d’un groupe de valeurs différentes possibles.
Elles sont soit ordinales ou nominales. Ordinale, lorsque la notion d’ordre existe entre les
valeurs possibles (exemple : Faible, Moyen, Fort), et ordinale autrement (marié, célibataire,
divorcé)
Données numériques : Valeurs discrètes ou continues servants à mesurer une quantité.
Exemple, l’âge, le poids, le salaire, la moyenne
Autres données : Le texte, le son, la vidéo qui devront être prétraité avant l’étape de
l’apprentissage automatique pour retomber généralement dans le type donnée numérique.
Types de modèles :
Règles de classifications : Permettent de diviser les exemples en plusieurs classes
Forme : si Conditions sur les attributs Alors Classe = Ci
Règles d’associations : Définissent les ensembles d’items qui surviennent fréquemment en
même temps.
Forme Si valeurs d’attributs Alors valeurs d’autres attributs
Arbres de Décisions