Apprentissage automatique

L’apprentissage automatique est un domaine de l’informatique qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmé.
Arthur Samuel, un pionnier américain dans le domaine des jeux sur ordinateur et de l’intelligence artificielle, a inventé le terme “Machine Learning” en 1959 alors qu’il était chez IBM. Développé à partir de l’étude de la reconnaissance des formes et de la théorie de l’apprentissage computationnel en intelligence artificielle, l’apprentissage machine explore l’étude et la construction d’algorithmes qui peuvent apprendre et faire des prédictions sur les données – ces algorithmes sont surmontés en suivant des instructions de programme strictement statiques en faisant des prédictions ou des décisions basées sur les données, en construisant un modèle. L’apprentissage machine est utilisé dans une gamme de tâches informatiques où la conception et la programmation d’algorithmes explicites avec de bonnes performances est difficile ou impossible; les applications incluent par exemple le filtrage du courrier électronique, la détection d’intrus réseau ou d’initiés malveillants travaillant vers une violation de données, la reconnaissance optique de caractères (OCR), l’apprentissage du classement et la vision par ordinateur.

L’apprentissage à la machine est étroitement lié aux statistiques informatiques, qui se recoupent souvent avec les statistiques informatiques, lesquelles sont également axées sur la prévision par ordinateur. Il est fortement lié à l’optimisation mathématique, qui fournit des méthodes, de la théorie et des domaines d’application au domaine. L’apprentissage machine est parfois associé à l’exploration de données, où ce dernier sous-domaine se concentre davantage sur l’analyse exploratoire des données et est connu sous le nom d’apprentissage non supervisé. L’apprentissage machine peut également être non supervisé et utilisé pour apprendre et établir des profils comportementaux de base pour diverses entités, puis pour trouver des anomalies significatives.

Dans le domaine de l’analyse des données, l’apprentissage automatique est une méthode utilisée pour concevoir des modèles et des algorithmes complexes qui se prêtent à la prédiction; en usage commercial, on parle alors d’analyse prédictive. Ces modèles analytiques permettent aux chercheurs, aux scientifiques, aux ingénieurs et aux analystes de ” produire des décisions et des résultats fiables et reproductibles ” et de découvrir des ” intelligences cachées ” en tirant des leçons des relations historiques et des tendances des données.
Selon le cycle du Gartner hype cycle de 2016, l’apprentissage machine est à son apogée des attentes exagérées. Il est difficile d’apprendre à la machine de manière efficace, car il est difficile de trouver des schémas et, souvent, il n’ y a pas assez de données sur la formation; par conséquent, les programmes d’apprentissage de la machine échouent souvent.