Introduction à l'apprentissage automatique

La formation est une compétence universelle inhérente à tout organisme vivant sur la planète.

L'apprentissage est l'acquisition de connaissances et de compétences par l'expérience ou l'étude. C'est ce qui nous unit et en même temps nous rend uniques. C'est ce qui se développe avec le temps.



Et si je dis: «Les voitures peuvent aussi apprendre»?

Nous vivons à une époque incroyable du développement de la robotique, de l'intelligence artificielle et du machine learning. L'apprentissage automatique est encore un concept relativement nouveau. Nous pouvons apprendre aux machines à apprendre et certaines machines peuvent apprendre par elles-mêmes. La magie!

Cet article vous présentera les bases de l'apprentissage automatique.
La chose la plus importante que vous devez comprendre: les machines peuvent prédire l'avenir en fonction du passé.

Qu'est-ce que l'apprentissage automatique?

L'apprentissage automatique suppose qu'un ordinateur reconnaît les modèles avec des exemples, plutôt que d'être programmé avec des règles spécifiques. Ces modèles sont contenus dans les données.

L'apprentissage automatique est la création d'algorithmes (un ensemble de règles) qui apprennent des fonctions complexes (modèles) à partir des données et font des prédictions.

Cela se déroule en 3 étapes :
1) Analyse des données
2) Trouver des modèles
3) Prédiction basée sur les modèles

Application d'apprentissage automatique

Aperçu des domaines dans lesquels l'apprentissage automatique peut être utilisé

• Soins de santé: prédire les diagnostics des patients pour les médecins
• Réseau social: prédire la compatibilité sur un site de rencontres
• Finance: Prévision de la fraude par carte de crédit
• Commerce électronique: prédire les sorties de clients
• Biologie: recherche de modèles de mutations génétiques pouvant provoquer le cancer

Comment les voitures apprennent-elles?

Je ne veux pas vous confondre, je dirai donc simplement que les machines apprennent en trouvant des données similaires dans de grands ensembles de données. Plus les données sont transférées vers la machine, plus elles deviennent «intelligentes».

Toutes les données ne sont pas identiques. Imaginez que vous êtes un pirate et que votre objectif est de trouver un trésor quelque part sur l'île. Pour ce faire, vous avez besoin de beaucoup d'informations. Comme les données, ces informations peuvent vous conduire soit dans la bonne direction, soit dans la mauvaise. Plus les informations / données reçues sont précises, plus les chances de succès sont grandes. Par conséquent, il est important de considérer le type de données avec lesquelles la formation aura lieu.

Cependant, après suffisamment de données, la machine peut faire des prédictions. Les machines peuvent prédire l'avenir jusqu'à ce que l'avenir soit très différent du passé.

Types d'apprentissage automatique

Il existe trois grandes catégories d'apprentissage automatique:

Apprentissage supervisé : la machine apprend à partir des données sélectionnées. Habituellement, les données sont notées par les gens.

Apprentissage non supervisé : la machine n'apprend pas à partir des données sélectionnées. Le fait est que parmi les données il n'y a pas de «bonne» réponse, la machine doit trouver la relation entre les objets.

Apprentissage par renforcement : une machine apprend grâce à un système basé sur les récompenses.

1. Apprentissage supervisé (formation des enseignants)

L'apprentissage avec un enseignant est le type d'apprentissage automatique le plus courant et le plus étudié, car il est plus facile de former une machine avec des données sélectionnées. Selon ce que vous voulez prédire, l'enseignement avec un enseignant peut être utilisé pour résoudre deux types de problèmes: le problème de régression et le problème de classification.

Objectif de régression:

Si vous souhaitez prédire des valeurs continues, par exemple, essayez de prédire la valeur d'une maison ou le temps dans la rue en degrés, utilisez la régression. Ce type de tâche n'a pas de limite de valeurs spécifique, car la valeur peut être n'importe quel nombre sans restrictions.

Tâche de classification:

Si vous souhaitez prédire des valeurs discrètes, telles que la catégorisation de quelque chose, utilisez la classification. La question «Une personne fera-t-elle un achat» a une réponse qui se divise en deux catégories spécifiques: oui ou non. Le nombre de réponses valides est bien sûr.

2. Apprentissage non supervisé (apprentissage sans professeur)

Étant donné que les machines n'ont pas de données marquées pour la formation, le but de l'apprentissage automatique sans professeur est de détecter des modèles dans les données et de les regrouper.
Apprendre sans professeur résout 2 types de problèmes: le problème du clustering et la tâche de trouver des règles associatives.

La tâche du clustering:

Apprendre sans enseignant résout le problème du regroupement, en trouvant des similitudes dans les données. S'il existe un cluster ou un groupe commun, l'algorithme les classera sous une forme spécifique. Un exemple de ceci est le regroupement des clients en fonction de leurs achats passés.

La tâche de trouver des règles associatives:

Apprendre sans professeur résout ce problème en essayant de comprendre les règles et la signification des différents groupes. Un exemple frappant est la recherche de la relation entre les achats des clients. Les magasins peuvent savoir quels produits ont été achetés ensemble et utiliser ces informations pour les ventes. Une étude a révélé qu'il existe une relation étroite entre l'achat de bière et les couches. Il s'est avéré que les hommes qui achetaient des couches pour leurs enfants avaient également tendance à acheter de la bière pour eux-mêmes.

3. Apprentissage par renforcement

Ce type d'apprentissage automatique nécessite l'utilisation d'un système de récompense / pénalité. L'objectif est de récompenser la voiture lorsqu'elle étudie correctement et de punir la machine lorsqu'elle étudie incorrectement.

Exemples d'apprentissage par renforcement

- Apprendre aux machines à apprendre à jouer ( Échecs, Go )
- Super Mario , comment étudier et jouer

Nous avons parlé des bases de l'apprentissage automatique, le sujet est intéressant et prometteur, alors ne perdez pas de temps pour en savoir plus.

Guide du débutant pour l'apprentissage automatique :)