Le machine learning (apprentissage automatique) est une branche de l'intelligence artificielle qui permet aux systèmes informatiques d'apprendre et de s'améliorer à partir de données, sans être explicitement programmés pour chaque tâche. Cette approche repose sur des algorithmes et des modèles statistiques pour identifier des motifs et faire des prédictions.
Le machine learning est utilisé pour développer des applications capables de :
- Reconnaître des images ou de la parole
- Prédire des tendances
- Recommander des produits ou du contenu
- Détecter des anomalies ou des fraudes
Il englobe trois grandes familles d'approches :
| Approche | Principe | Exemple |
|---|---|---|
| Apprentissage supervisé | Données étiquetées | Classification, régression |
| Apprentissage non supervisé | Données sans labels | Clustering, réduction de dimension |
| Apprentissage par renforcement | Essai-erreur + récompenses | Jeux, robotique |
Exemple d'un système de recommandation basé sur la similarité cosinus :
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
descriptions = ["Un film d'action palpitant", "Une comédie romantique légère", ...]
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform(descriptions)
cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)
def get_recommendations(movie_index):
sim_scores = sorted(enumerate(cosine_sim[movie_index]), key=lambda x: x[1], reverse=True)
return [i for i, _ in sim_scores[1:6]]À retenir
Le machine learning est le socle de l'IA moderne. Sa branche la plus avancée, le deep learning, utilise des réseaux de neurones profonds pour traiter des problèmes de grande complexité. Les langages et bibliothèques courants incluent Python, TensorFlow, PyTorch et scikit-learn.
