Qu'est-ce que le Machine Learning ?

Programmer, ou apprendre ?

Dans un programme classique, un développeur écrit des règles explicites : « si la température dépasse 30°C, allume la climatisation ». Le Machine Learning inverse cette logique : au lieu d’écrire les règles, on montre à un algorithme de nombreux exemples de situations et de résultats attendus, et c’est l’algorithme qui déduit lui-même les règles.

	Programmation classique	Machine Learning
Entrée	Données + règles écrites par un humain	Données + résultats attendus
Sortie	Résultat	Règles (un « modèle »)
Quand l’utiliser	Le problème a une logique explicite et stable	La logique est trop complexe, inconnue, ou change avec le temps

Un exemple concret : détecter si un e-mail est un spam. Écrire des règles explicites (« contient le mot GRATUIT » → spam) est possible, mais fragile et vite dépassé par les spammeurs. Montrer à un modèle 50 000 e-mails déjà étiquetés spam/non-spam lui permet de découvrir lui-même des combinaisons de signaux bien plus robustes qu’une liste de règles écrites à la main.

Les trois grandes familles d’apprentissage

Apprentissage supervisé

On dispose d’exemples avec la bonne réponse : un ensemble de paires (entrée, sortie attendue). Le modèle apprend à reproduire cette association, puis à la généraliser à de nouvelles entrées.

On distingue deux sous-familles selon la nature de la sortie à prédire :

Régression : la sortie est une quantité continue (un prix, une durée, une température).
Classification : la sortie est une catégorie parmi un nombre fini (spam/non-spam, sain/malade, chat/chien).

Ce cours consacre un module entier à chacune de ces deux sous-familles (modules 3 et 4).

Apprentissage non supervisé

Aucune « bonne réponse » n’est fournie : on demande seulement au modèle de trouver une structure dans les données. L’exemple le plus courant est le clustering : regrouper des points qui se ressemblent, sans savoir à l’avance combien de groupes existent ni ce qui les définit (module 5).

Apprentissage par renforcement

Un agent apprend par essai-erreur en interagissant avec un environnement : il reçoit une récompense ou une pénalité après chaque action, et ajuste sa stratégie pour maximiser la récompense cumulée sur le long terme. C’est la famille utilisée pour entraîner des systèmes à jouer à des jeux, piloter un robot, ou optimiser une politique de recommandation.

Un vocabulaire à connaître dès maintenant

Feature (caractéristique) : une variable d’entrée utilisée par le modèle (ex. la surface d’une maison).
Target (cible) : la variable que l’on cherche à prédire (ex. le prix de cette maison).
Jeu d’entraînement / jeu de test : les exemples utilisés pour apprendre doivent être séparés de ceux utilisés pour évaluer, sous peine d’évaluer le modèle sur ce qu’il a déjà « vu ».
Modèle : la fonction mathématique (souvent paramétrée par des milliers, voire des millions de nombres) apprise à partir des données.

Ces notions reviendront dans chaque module suivant — elles constituent le socle commun à toutes les familles de modèles que ce cours va construire.

Prochaine étape

👉 Sur-apprentissage, sous-apprentissage et le piège de l’évaluation

Junior TSAFACK – 12/09/2026