Objectifs
- Remettre en tête les notions du module précédent dont le Deep Learning dépend.
- Savoir expliquer en quelques phrases ce qu'est un modèle qui apprend.
Ce qu'il faut avoir en tête
Le Machine Learning (ML) est un sous-ensemble de l'IA : au lieu d'écrire des règles à la main, on fournit des données à un algorithme qui en déduit un modèle, capable de produire une prédiction sur des cas nouveaux.
Trois grandes façons d'apprendre :
- Supervisé : on dispose d'exemples avec la bonne réponse (l'étiquette). Exemple : prédire si un client va résilier.
- Non supervisé : pas d'étiquette, on cherche des structures, par exemple des groupes de clients (clustering).
- Par renforcement : un agent essaie des actions et reçoit des récompenses ou des pénalités.
Les notions qui reviendront sans cesse dans ce module :
- les caractéristiques (features) en entrée et l'étiquette (label) à prédire ;
- la séparation entraînement / test : on évalue toujours sur des données que le modèle n'a pas vues ;
- les paramètres (appris pendant l'entraînement) et les hyperparamètres (fixés avant) ;
- les métriques comme la précision et le rappel, qui disent si le modèle est utile.
Le cycle d'un projet
Collecter et préparer les données, choisir un modèle, l'entraîner, l'évaluer, puis l'améliorer ou le déployer. Si les résultats sont insuffisants, on revient en arrière : on ré-entraîne, ou on enrichit les données (augmentation de données). Le Deep Learning suit exactement la même boucle ; c'est le type de modèle qui change.
Pour vérifier votre compréhension
Sans relire vos notes : expliquez à un collègue pourquoi on ne mesure jamais la qualité d'un modèle sur les données qui ont servi à l'entraîner.