Comprendre le machine learning
Le Machine Learning consiste à injecter de grandes quantités de données dans un algorithme, qui traite ensuite ces données pour trouver des modèles et des relations.
Par exemple, si vous fournissez à un modèle IA des données sur vos habitudes de passage d’aspirateur et sur l’agencement de votre maison, le modèle qui en résulte pourrait être utilisé pour programmer un aspirateur robot afin qu’il balaie votre tapis selon un schéma similaire au vôtre. Imaginez maintenant qu’un grand nombre de ces robots sont vendus et qu’ils transmettent toutes leurs données d’aspiration au développeur. En utilisant le Machine Learning pour détecter des modèles, il serait possible de découvrir des modèles de mouvement encore plus efficaces et d’optimiser les trajectoires pour tous les aspirateurs robots de conception similaire.
Dans la première vidéo, vous comprendrez mieux ce qu’est le Machine Learning.
Le Machine Learning est une technique IA qui utilise des algorithmes pour créer des modèles prédictifs. Ces modèles sont validés par rapport à des données connues, mesurés à l’aide de paramètres spécifiques et ajustés si nécessaire. Ce processus d’apprentissage et de validation est appelé formation. Grâce à la reformation, les modèles de Machine Learning s’améliorent au fil du temps. Il existe également des méthodologies clés sur l’apprentissage de modèles, par exemple l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.
Dans la prochaine vidéo, vous apprendrez la différence entre ces méthodologies et découvrirez leur combinaison en couches, appelée « apprentissage approfondi » (deep learning).