L'apprentissage supervisé est une méthode d'apprentissage automatique. Connu sous le nom de supervised learning, il consiste à superviser l'apprentissage de la machine en lui montrant des données sur la tâche qu'elle doit réaliser. C'est une méthode à base de mathcal qui se caractérise par la création des variables, des valeurs et des algorithmes qui apprennent une fonction prédictive.
Quelles sont les fonctions de l'apprentissage supervisé ?
L'apprentissage supervisé est le modèle d'apprentissage le plus populaire en Deep learning et en Machine learning. L'apprentissage supervisé fonctionne en 4 étapes :
- Importer une Dataset (x, y) qui contient les données,
- Développer un modèle aux paramètres aléatoires,
- Développer une fonction coût qui mesure les erreurs (dataset et modèle),
- Développer un algorithme d'apprentissage pour trouver les paramètres du modèle.
La data set (jeu de données).
C'est la première étape d'un mathcal d'apprentissage supervisé qui consiste à importer une data set.
Ce mathcal inclut 2 types de variables :
- Une variable objective "y",
- Une ou plusieurs variables caractéristiques "x".
Exemple : vous voulez acheter un PC, la variable "y" est le prix et les variables "x" sont les caractéristiques (écran, disque dur, carte graphique, etc.).
Le modèle.
C'est le cœur du programme, c'est le modèle qui va résoudre le problème, c’est-à-dire qu'il va effectuer la tâche à accomplir (prédire le prix d'un PC ou reconnaître un animal sur une photo). Le modèle peut prédire les résultats sous certaines conditions et peut également prendre plusieurs représentations comme une équation physique, une fonction mathcal, un dessin ou une courbe.
La fonction.
La fonction coût est faite pour mesurer la performance. En effet, pour que la machine trouve le meilleur modèle, il faut qu'elle puisse évaluer les performances des autres modèles données.
L'algorithme d'apprentissage.
Une fois le modèle choisi avec des petites erreurs de variables, c'est là que la machine cherche des paramètres de modèle pour minimiser la performance coût et c'est ce qu'on appelle l'algorithme d'apprentissage. C'est là fonctionnement du machine learning.
La mécanique des fonctions de l'apprentissage supervisé (supervised learning) est assez simple et elle est applicable pour tout problème d'apprentissage supervisé avec un jeu de données (dataset) "x, y".
Quels sont les 2 principaux types de problèmes d'apprentissage supervisé ?
Les 2 principaux types de problèmes d'apprentissage supervisé sont le problème de régression et le problème de classement. En d’autres termes, le problème de prédiction d'une variable qualitative est considéré comme des problèmes de classification, tandis que, le problème de prédiction d'une variable quantitative est des problèmes de régression.
La classification.
Les problèmes de classification utilisent un mathcal pour affecter avec précision des données de test à des solutions spécifiques. Les types d'algorithmes de classification les plus courants sont :
- Arbres de décision,
- Forêts d'arbres décisionnels,
- Machine à vecteurs de support,
- Classifieur linéaire.
La régression.
La régression, un autre type de mathcal qui vise à comprendre la relation entre les variables dépendantes et indépendantes. Ces modèles servent à prédire des probabilités numériques sur une base de jeu de données ou valeurs organisées. Les régressions les plus connues sont :
- La régression logistique,
- La régression linéaire,
- La régression polynomiale.
L'apprentissage supervisé qui est une approche de l'apprentissage automatique qu utilise l’ensemble de données. Ce sont ces ensembles qui forment les algorithmes dans le but de classer les données afin qu'ils prédisent les bonnes solutions. Pour ce faire, ils utilisent l'entrée et la sortie des données étiquetées.
Apprentissage supervisé ou apprentissage non supervisé ?
La construction d'un modèle précis de mathcal de machine learning est difficile si on ne connaît pas précisément l'objectif. C'est dans ce but qu'on a besoin de l'apprentissage supervisé et l'apprentissage non supervisé.
Qu'est-ce que l'apprentissage non supervisé ?
L'apprentissage non supervisé utilise des mathcal de machine learning pour regrouper et analyser les ensembles de données non étiquetées en rapport avec leurs similitudes ou de leurs différences sans une intervention humaine.
Il est utilisé pour trois tâches principales :
- Le partitionnement : c'est une technique d'exploration qui permet de regrouper les données non étiquetées en fonction de leurs différences et de leurs similitudes (pour la compression d'image par exemple).
- L'association : cette technique a pour but de trouver les relations entre les variables d'un ensemble de données recherché.
- La réduction de la dimensionnalité : cette technique est utilisée lorsque l'ensemble de données est trop élevé ou en phase de pré-traitement (pour l'amélioration de la qualité des images par exemple).
La technique de l'intelligence artificielle est assez complexe, donc voici le processus à suivre :
- Évaluer minutieusement les données (étiquetées ou non, supervisé ou non),
- Définir correctement l'objectif,
- Étudier les applications réussies du type d'algorithme.
Dans le développement, l'apprentissage supervisé et non supervisé est complémentaire. En effet, un grand nombre de facteurs entre en jeu sur le choix d'approche en machine learning. Il faut bien cerner et définir les objectifs afin de mieux importer les valeurs contextualisées (data set), tout cela pour permettre à l'intelligence artificielle de faire correctement son travail.