88
Chapitre VI. Machine Learning
VI.1. Introduction
L'Intelligence Artificielle (IA) est une branche qui vise le développement des systèmes capables
de réaliser des tâches nécessitant normalement l'intelligence humaine comme la prédiction de
résultats. Ces systèmes ont alors la possibilité d’apprendre à partir de données expérimentales. Elle
utilise des algorithmes sophistiqués et des modèles mathématiques pour assurer cette tâche.
(Aurélien, 2017). Le Machine Learning (ML) (l’apprentissage automatique) est un domaine de
l’intelligence artificielle donnant à la machine la capacité d’apprendre sans qu’elle soit
explicitement programmée. (Arthur Samuel, 1959).
Dans le cadre de notre étude, le Machine Learning sera appliqué pour la prédiction du volume de
franchissement des vagues sur les structures portuaires.
VI.2. Machine Learning
Les étapes de création de modèles d'apprentissage automatique sont généralement les suivantes
 Compréhension du problème.
 Collecte et préparation des données.
 Choix et préparation du modèle.
 Entraînement du modèle.
 Validation du modèle.
 Évaluation des performances.
 Déploiement du modèle.
VI.2.1. Types d’apprentissage
On distingue quatre types d’apprentissage (Learning) :
VI.2.1.1. Apprentissage Supervisé
L'apprentissage Supervisé est une technique qui consiste à entraîner des modèles prédictifs
d'intelligence artificielle à partir de données ou d'exemples préalablement étiquetés. L'objectif est
de permettre au modèle d'attribuer des valeurs ou des classes aux nouvelles données en se basant
sur les observations précédentes. Cette méthode est largement utilisée dans les systèmes de
classification pour trier les données selon des classes prédéterminées, dans le but de prédire des
résultats futurs.