L’apprentissage supervisé en 4 minutes
L’apprentissage supervisé, dans le contexte de l’intelligence artificielle (IA) et de l’apprentissage automatique, est un type de système dans lequel les informations d’entrée et de sortie souhaitées sont fournies. Les données d’entrée et de sortie sont classées afin de fournir les bases du traitement futur des données. Le terme « apprentissage supervisé » vient de l’idée que les algorithmes apprennent à partir d’un premier ensemble de données, qui peut être considéré comme l’enseignant.
Les systèmes dits d’apprentissage automatique supervisé fournissent des algorithmes d’apprentissage qui utilisent les données du passé pour permettre des résultats futurs. Les chatbots, les voitures autonomes, les programmes de reconnaissance faciale, les systèmes experts ainsi que les robots font partie des machines qui peuvent utiliser l’apprentissage supervisé ou non supervisé. Ces systèmes d’apprentissage supervisé sont généralement liés à l’IA basée sur l’extraction, mais ils peuvent également utiliser le modèle d’apprentissage génératif.
Quel est le rôle de l’apprentissage supervisé ?
En général, l’apprentissage supervisé consiste à fournir à un ordinateur des variables d’entrée et de sortie dans le but de déterminer comment elles sont appariées ou connectées. L’objectif est de développer un algorithme qui met en correspondance les variables de manière suffisamment précise pour que, lorsqu’une entrée est fournie, l’algorithme puisse prédire le résultat. Il s’agit d’une procédure itérative qui est répétée chaque fois que l’algorithme est en mesure de faire une prédiction incorrecte, il est rectifié ou reçoit un retour d’information jusqu’à ce qu’il ait atteint un niveau de performance acceptable.
Les données d’apprentissage utilisées pour l’apprentissage supervisé comprennent un ensemble d’exemples incluant des sujets d’entrée identiques et la sortie souhaitée (également appelée signal de supervision). Par exemple, dans une application d’apprentissage supervisé qui traite des images, un système d’IA peut recevoir des images portant des étiquettes de véhicules, comme des camions ou des voitures. Après une période de supervision suffisante, la machine sera capable de discerner et de classer les images qui ne sont pas étiquetées, et l’apprentissage sera alors terminé.
Les programmes d’apprentissage supervisé sont généralement divisés en deux catégories : la classification et la régression. La classification est un cas dans lequel les valeurs de sortie sont catégoriques, comme voiture ou camion, et sont soit vraies soit fausses. Les problèmes de régression surviennent lorsque la valeur de sortie est une valeur réelle calculée, comme le poids ou le prix.
Algorithmes d’apprentissage supervisé pour l’apprentissage
Les algorithmes d’apprentissage automatique supervisés les plus populaires sont les suivants :
- La régression linéaire.
- La régression logistique.
- Les réseaux de neurones artificiels (ANN).
- L’analyse discriminante linéaire.
- Arbres de décision.
- Apprentissage par similarité.
- Logique bayésienne.
- Machines à vecteurs de support (SVM).
- Forêts aléatoires.
Lors de la sélection d’un algorithme d’apprentissage supervisé, plusieurs facteurs doivent être pris en considération. Tout d’abord, vous devez tenir compte de la variance et du biais inhérents à l’algorithme, car la frontière est mince entre une flexibilité suffisante et une trop grande flexibilité. Un autre facteur est la complexité du modèle ou de la fonction que le système tente de comprendre. En outre, la précision, l’hétérogénéité, la redondance et la linéarité des données doivent être prises en compte avant de choisir un algorithme.
Apprentissage non supervisé ou supervisé
L’apprentissage non supervisé est le cas lorsqu’un algorithme ne reçoit que des informations d’entrée, et non des valeurs de sortie à faire correspondre, ce qui constitue des ensembles d’apprentissage. Contrairement à l’apprentissage supervisé, il n’y a pas de valeurs de sortie, ni d’enseignants corrects. Au lieu de cela, les algorithmes peuvent fonctionner à leur propre rythme pour acquérir des connaissances sur les données et fournir des résultats intéressants. L’apprentissage non supervisé est très populaire pour les applications qui impliquent le regroupement, qui est le processus d’identification des groupes dans les données, et l’association, qui est le processus de prédiction des règles pour les données.
Les modèles d’apprentissage supervisé offrent certains avantages par rapport aux modèles non supervisés, mais ils ont aussi leurs limites. Les systèmes sont plus susceptibles de porter des jugements précis auxquels les humains peuvent se rattacher puisque les humains sont à la base de leurs décisions. Cependant, lorsqu’ils utilisent une approche basée sur la recherche, les systèmes d’apprentissage supervisé éprouvent des difficultés à traiter les nouvelles informations. Si un système qui dispose de catégories pour les camions et les voitures affiche une bicyclette par exemple, celle-ci sera classée de manière incorrecte dans l’une ou l’autre des catégories. Cependant, il est possible que si le système d’IA était intelligent, il ne sache pas ce qu’est réellement une bicyclette, mais il serait en mesure de reconnaître la bicyclette comme faisant partie d’une catégorie spécifique.
Une méthode qui mélange des techniques non supervisées et supervisées est connue sous le nom d’apprentissage semi-supervisé. Dans ce scénario, seuls quelques-uns des points de données d’entrée sont étiquetés à l’aide de données de sortie.
