Le Machine Learning (apprentissage automatique) est une branche de l'IA qui permet aux ordinateurs d'apprendre à partir de données sans être explicitement programmés pour chaque tâche. Au lieu d'écrire des règles spécifiques, on fournit des exemples au système et il découvre les patterns par lui-même.
Intelligence Artificielle (IA) — Un domaine de l'informatique qui crée des programmes capables de réaliser des tâches nécessitant normalement l'intelligence humaine : comprendre le langage, reconnaître des images, prendre des décisions.
Machine Learning (apprentissage automatique) — Une technique qui permet à un ordinateur d'apprendre par lui-même à partir d'exemples, sans qu'on lui programme chaque règle manuellement. Au lieu d'instructions précises, on lui montre des milliers d'exemples et il détecte les patterns tout seul.
C'est la technologie au coeur de la plupart des applications IA modernes : recommandations Netflix, détection de spam, reconnaissance faciale, traduction automatique, et bien plus.
Intelligence Artificielle (IA) — Un domaine de l'informatique qui crée des programmes capables de réaliser des tâches nécessitant normalement l'intelligence humaine : comprendre le langage, reconnaître des images, prendre des décisions.
L'algorithme apprend à partir d'exemples étiquetés. Par exemple, on lui montre des milliers de photos de chats et de chiens, chacune labellisée "chat" ou "chien", et il apprend à distinguer les deux. C'est le type le plus courant, utilisé pour la classification, la prédiction et la détection.
Algorithme — Une suite d'instructions précises qu'un ordinateur exécute étape par étape pour résoudre un problème. Comme une recette de cuisine, mais pour un programme informatique.
L'algorithme découvre des structures cachées dans des données non étiquetées. Il identifie des groupes (clustering), des anomalies, ou des patterns sans qu'on lui dise quoi chercher. Utilisé pour la segmentation de clients, la détection de fraude, et la réduction de dimensionnalité.
Algorithme — Une suite d'instructions précises qu'un ordinateur exécute étape par étape pour résoudre un problème. Comme une recette de cuisine, mais pour un programme informatique.
Un agent apprend à prendre des décisions en interagissant avec un environnement. Il reçoit des récompenses positives ou négatives selon ses actions. C'est ce qui a permis à AlphaGo de battre les meilleurs joueurs de Go et c'est utilisé pour les voitures autonomes et le fine-tuning des LLM (RLHF).
LLM (Grand modèle de langage) — Un très grand modèle IA spécialisé dans le langage, entraîné sur des milliards de textes pour comprendre et générer du texte humain. ChatGPT, Claude et Gemini sont des LLMs. L'acronyme vient de l'anglais Large Language Model.
Fine-tuning (ajustement fin) — L'action de réentraîner un modèle IA général sur des données spécifiques pour le spécialiser dans un domaine précis : médecine, droit, style d'une marque… Le modèle de base reste intact ; on ajoute une couche de spécialisation.
AlphaGo — Le programme IA de Google DeepMind qui a battu le champion du monde du jeu de Go en 2016. Cet événement marquant a prouvé qu'une IA pouvait surpasser l'humain dans un jeu de stratégie considéré comme l'un des plus complexes.
Pour retenir : Supervisé = on lui montre la réponse. Non supervisé = il trouve seul. Renforcement = il apprend par essai-erreur.
Le ML est partout : prédiction de prix, diagnostic médical, filtrage de spam, recommandation de produits, traduction automatique, reconnaissance vocale, conduite autonome, trading algorithmique, et optimisation de publicités.
Reconnaissance vocale — La capacité d'une IA à convertir la parole humaine en texte (Speech-to-Text). C'est ce qui alimente Siri, Alexa, la dictée vocale de votre téléphone ou les sous-titres automatiques de YouTube.
Les 3 Types d'Apprentissage
Supervisé
Données étiquetées → prédiction
Non supervisé
Clustering, anomalies
Renforcement
Récompenses, essai-erreur
4 questions — 70% pour valider ce chapitre