Apprentissage automatique

L'apprentissage automatique est un domaine de l'informatique qui donne aux systèmes informatiques la capacité d '«apprendre» (c'est-à-dire d'améliorer progressivement les performances sur une tâche spécifique) avec des données, sans être explicitement programmés.

Le nom d'apprentissage automatique a été inventé en 1959 par Arthur Samuel. Développé à partir de l'étude de la reconnaissance de formes et de la théorie de l'apprentissage informatique dans l'intelligence artificielle, l'apprentissage automatique explore l'étude et la construction d'algorithmes qui peuvent apprendre et faire des prédictions sur les données - de tels algorithmes surmontent les instructions de programme strictement statiques en faisant des prédictions ou des décisions basées sur les données. , 2 en construisant un modèle à partir des entrées d'échantillons L'apprentissage automatique est utilisé dans une gamme de tâches informatiques où la conception et la programmation d'algorithmes explicites avec de bonnes performances sont difficiles ou irréalisables; Les exemples d'applications incluent le filtrage des e-mails, la détection d'intrus sur le réseau ou d'initiés malveillants travaillant à une violation de données, la reconnaissance optique de caractères (OCR), l'apprentissage du classement et la vision par ordinateur.

L'apprentissage automatique est étroitement lié (et chevauche souvent) les statistiques informatiques, qui se concentrent également sur la prédiction grâce à l'utilisation d'ordinateurs. Il a des liens étroits avec l'optimisation mathématique, qui fournit des méthodes, de la théorie et des domaines d'application dans le domaine. L'apprentissage automatique est parfois confondu avec 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. vii L'apprentissage automatique peut également être non supervisé et utilisé pour apprendre et établir des profils comportementaux de base pour diverses entités, puis utilisé pour trouver des anomalies significatives.

Dans le domaine de l'analyse de données, l'apprentissage automatique est une méthode utilisée pour concevoir des modèles et des algorithmes complexes qui se prêtent à la prédiction; dans le cadre d'un usage commercial, c'est ce qu'on appelle l'analyse prédictive. Ces modèles analytiques permettent aux chercheurs, aux data scientists, aux ingénieurs et aux analystes de «produire des décisions et des résultats fiables et reproductibles» et de découvrir des «aperçus cachés» en apprenant à partir des relations historiques et des tendances des données.

L'apprentissage automatique efficace est difficile car il est difficile de trouver des modèles et, souvent, il n'y a pas suffisamment de données de formation disponibles, ce qui fait que les programmes d'apprentissage automatique échouent souvent.