Machine Learning 101 : les 4 types fondamentaux pour débutants
Introduction
Big Data = matière première. Machine Learning (ML) = méthode. Intelligence Artificielle (IA) = résultat. Le ML est une branche de l'IA où les algorithmes apprennent automatiquement à partir de données sans être explicitement programmés pour chaque règle. Les données d'entraînement (« training data ») construisent un modèle qui généralise sur de nouvelles données.
Les 4 familles d'apprentissage
1. Apprentissage supervisé (Supervised Learning)
Principe : données étiquetées (labelisées) : chaque entrée (features) a sa sortie cible (label). L'algorithme apprend la correspondance X → y.
Deux sous-types :
- Régression : prédire une valeur continue (prix maison, température, chiffre d'affaires). Métriques : MAE, MSE, RMSE, R².
- Classification : prédire une classe discrète (spam/ham, maladie/sain, fraude/normal, race de chien). Binaire ou multi-classes. Métriques : accuracy, precision, recall, F1, AUC-ROC, matrice de confusion.
Algorithmes classiques : Régression linéaire/logistique, KNN, Arbres de décision, Random Forest, XGBoost/LightGBM/CatBoost, SVM, Réseaux de neurones (MLP).
Exemples : scoring crédit, détection fraude carte, diagnostic imagerie médicale, prévision ventes, recommandation (explicite).
Défi : coût de l'étiquetage (experts humains), biais dans les labels, surapprentissage (overfitting).
2. Apprentissage non supervisé (Unsupervised Learning)
Principe : données non étiquetées. L'algorithme découvre lui-même la structure, les patterns, les regroupements.
Tâches principales :
- Clustering (regroupement) : K-means, DBSCAN, HDBSCAN, Hiérarchique, Gaussian Mixture. Segmentation clients, détection d'anomalies, compression d'image.
- Réduction de dimensionnalité : PCA, t-SNE, UMAP, Autoencodeurs. Visualisation, débruitage, accélération entraînement.
- Règles d'association : Apriori, FP-Growth. Analyse panier (market basket) : « acheteurs de bière → couches ».
- Détection d'anomalies : Isolation Forest, One-Class SVM, Autoencodeurs (erreur de reconstruction élevée = anomalie). Maintenance prédictive, fraude, sécurité.
Avantage : pas d'étiquetage coûteux. Inconvénient : évaluation subjective, résultats moins directement exploitables, sensible aux hyperparamètres.
3. Apprentissage semi-supervisé (Semi-Supervised Learning)
Principe : peu de données étiquetées + beaucoup de données non étiquetées. Étiquetage coûteux (experts médicaux, linguistes), données brutes abondantes (images, texte, logs).
Approches :
- Pseudo-labeling : entraîner sur étiqueté → prédire sur non-étiqueté → ajouter prédictions confiantes comme pseudo-labels → réentraîner.
- Consistency regularization : même entrée + augmentations (bruit, crop, dropout) → sorties cohérentes (FixMatch, Mean Teacher).
- Graph-based / Label propagation : graphe similarité entre échantillons → propagation des labels.
- Pre-training + Fine-tuning : auto-supervisé sur gros corpus non étiqueté (BERT, GPT, SimCLR, MAE) → fine-tuning sur petit jeu étiqueté. Standard actuel en NLP/Vision.
Cas d'usage : imagerie médicale (peu d'annotations), NLP langues peu dotées, détection défauts usine (peu d'exemples défaut).
4. Apprentissage par renforcement (Reinforcement Learning - RL)
Principe : un agent interagit avec un environnement par actions, reçoit récompenses (récompense/pénalité), apprend une politique maximisant la récompense cumulative (return). Proche de l'apprentissage humain/animale (essai-erreur).
Concepts clés : État (s), Action (a), Récompense (r), Politique π(a|s), Fonction de valeur V(s) / Q(s,a), Épisode, Horizon, Discount factor γ.
Algorithmes : Q-Learning, SARSA, DQN (Deep Q-Network), Policy Gradient (REINFORCE), Actor-Critic (A2C, A3C), PPO (Proximal Policy Optimization), SAC (Soft Actor-Critic), MuZero (model-based).
Applications : Robotique (contrôle moteur, manipulation), Jeux (AlphaGo, AlphaZero, StarCraft II, Dota 2), Trading algorithmique, Recommandation séquentielle, Optimisation énergie (data centers Google), Conduite autonome, Découverte médicaments (MolDQN).
Difficultés : efficacité d'échantillons (millions d'étapes), exploration vs exploitation, fonction de récompense mal définie → comportements inattendus (reward hacking), instabilité entraînement, sim-to-real gap.
Autres paradigmes émergents
- Auto-supervisé (Self-Supervised Learning) : créer des labels à partir des données elles-mêmes (masquage tokens BERT, prédiction frame suivante vidéo, contraste SimCLR). Pont entre non-supervisé et supervisé. Base des Foundation Models.
- Apprentissage par transfert (Transfer Learning) : réutiliser un modèle pré-entraîné (ImageNet, BERT, CLIP, SAM) sur nouvelle tâche/domaine avec peu de données.
- Few-shot / Zero-shot : généralisation à de nouvelles classes avec 0–5 exemples (prompting LLM, CLIP, prototypical networks).
- Apprentissage fédéré (Federated Learning) : entraînement local sur appareils (mobile, IoT, hôpitaux) + agrégation centrale (FedAvg) — données ne quittent pas le device.