Chapitre VI
Machine Learning
89
VI.2.1.2. Apprentissage Semi-supervisé
C’est une technique qui utilise un ensemble de données contenant à la fois des exemples étiquetés
et non étiquetés. L'objectif est le même que pour l'apprentissage supervisé, mais on utilise des
exemples non étiquetés pour améliorer la qualité du modèle appris.
VI.2.1.3. Apprentissage non supervisé
Il consiste à entraîner des modèles sans avoir besoin d'étiquetage manuel ou automatique des
données. La catégorisation des données revient à la machine. Ces algorithmes regroupent les
données en fonction de leur similitude, sans intervention humaine, pour découvrir des modèles,
des tendances et les relations présentes dans la base de données. Ainsi, en fonction du but
recherché, il reviendra à l’opérateur ou au chercheur de les analyser afin d’en déduire les
différentes hypothèses.
VI.2.1.4. Apprentissage par renforcement
Il est utilisé pour résoudre des problèmes complexes qui ne permettent pas de définir des règles de
décision optimales de manière explicite. Elle se concentre sur l'apprentissage à partir de
l'expérience, permettant à un agent d’IA d'apprendre à décider en interagissant avec son
environnement.
VI.2.2. Objectifs de Machine Learning
Les objectifs du Machine Learning sont variés et dépendent des applications spécifiques.
Cependant, les objectifs courants du Machine Learning sont la classification, la régression, le
regroupement (clustering). Il est également utilisé pour d’autres objectifs tels que la détection
d’anomalies et la proposition des recommandations personnalisées.
VI.2.2.1. Classification
La classification implique la modélisation de différents ensembles de données pour les regrouper
dans des classes préétablies et connues. En d’autres termes, elle permet d’assigner des données à
des catégories prédéfinies.
VI.2.2.2. Régression
La régression consiste à prédire une valeur cible en fonction de variables d'entrée en trouvant le
meilleur modèle d'ajustement mathématique qui relie ces variables. Cela permet de modéliser la
relation entre les variables et de prédire la valeur de la variable cible pour de nouvelles données
d'entrée. Il existe plusieurs types de régression, chacun est adapté à des situations spécifiques et à
des données particulières. (Pant A., 2019).
VI.2.2.3. Regroupement
Le regroupement (Clustering) est une technique d’apprentissage automatique non supervisée qui
permet de regrouper des ensembles de données par distance ou par similarité. Cette méthode est
largement utilisée pour l'analyse de données et pour la réduction des dimensions.
Machine Learning
89
VI.2.1.2. Apprentissage Semi-supervisé
C’est une technique qui utilise un ensemble de données contenant à la fois des exemples étiquetés
et non étiquetés. L'objectif est le même que pour l'apprentissage supervisé, mais on utilise des
exemples non étiquetés pour améliorer la qualité du modèle appris.
VI.2.1.3. Apprentissage non supervisé
Il consiste à entraîner des modèles sans avoir besoin d'étiquetage manuel ou automatique des
données. La catégorisation des données revient à la machine. Ces algorithmes regroupent les
données en fonction de leur similitude, sans intervention humaine, pour découvrir des modèles,
des tendances et les relations présentes dans la base de données. Ainsi, en fonction du but
recherché, il reviendra à l’opérateur ou au chercheur de les analyser afin d’en déduire les
différentes hypothèses.
VI.2.1.4. Apprentissage par renforcement
Il est utilisé pour résoudre des problèmes complexes qui ne permettent pas de définir des règles de
décision optimales de manière explicite. Elle se concentre sur l'apprentissage à partir de
l'expérience, permettant à un agent d’IA d'apprendre à décider en interagissant avec son
environnement.
VI.2.2. Objectifs de Machine Learning
Les objectifs du Machine Learning sont variés et dépendent des applications spécifiques.
Cependant, les objectifs courants du Machine Learning sont la classification, la régression, le
regroupement (clustering). Il est également utilisé pour d’autres objectifs tels que la détection
d’anomalies et la proposition des recommandations personnalisées.
VI.2.2.1. Classification
La classification implique la modélisation de différents ensembles de données pour les regrouper
dans des classes préétablies et connues. En d’autres termes, elle permet d’assigner des données à
des catégories prédéfinies.
VI.2.2.2. Régression
La régression consiste à prédire une valeur cible en fonction de variables d'entrée en trouvant le
meilleur modèle d'ajustement mathématique qui relie ces variables. Cela permet de modéliser la
relation entre les variables et de prédire la valeur de la variable cible pour de nouvelles données
d'entrée. Il existe plusieurs types de régression, chacun est adapté à des situations spécifiques et à
des données particulières. (Pant A., 2019).
VI.2.2.3. Regroupement
Le regroupement (Clustering) est une technique d’apprentissage automatique non supervisée qui
permet de regrouper des ensembles de données par distance ou par similarité. Cette méthode est
largement utilisée pour l'analyse de données et pour la réduction des dimensions.