més pour chacune. Plus largement, il concerne la
conception, l'analyse, l'optimisation, le développement et
l'implémentation de telles méthodes selon Wikipédia
[13].
L'apprentissage automatique comporte
généralement deux phases. La première consiste à
estimer un modèle à partir de données, appelées
observations, qui sont disponibles et en nombre fini, lors de la phase de
conception du système. L'estimation du modèle
consiste à résoudre une tâche pratique,
telle que traduire un discours, estimer une densitéde
probabilité, reconnaître la présence d'un chat dans une
photographie ou faire une recommandation (série littéraire ou
scientifique : Orientation Scolaire). Cette phase dite « d'apprentissage
» ou « d'entraînement » est généralement
réalisée préalablement àl'utilisation
pratique du modèle. La seconde phase correspond à la mise en
production : le
modèle étant déterminé, de
nouvelles données peuvent alors être soumises afin d'obtenir le
résultat correspondant à la tâche souhaitée. En
pratique, certains systèmes peuvent poursuivre leur apprentissage une
fois en production, pour peu qu'ils aient un moyen d'obtenir un retour sur la
qualitédes résultats produits toujours selon Wikipédia
[13].
Selon les informations disponibles durant la phase
d'apprentissage, l'apprentissage est qualifiéde différentes
manières. Si les données sont étiquetées
(c'est-à-dire que la réponse à la tâche est connue
pour ces données), il s'agit d'un apprentissage supervisé. On
parle de classification ou de classement si les étiquettes sont
discrètes, ou de régression si elles sont continues. Si le
modèle est appris de manière incrémentale en fonction
d'une récompense reçue par le programme pour chacune des actions
entreprises, on parle d'apprentissage par renforcement. Dans le cas le plus
général, sans étiquette, on cherche à
déterminer la structure sous-jacente des données (qui peuvent
être une densitéde probabilité) et il s'agit alors
d'apprentissage non supervisé. Selon Wikipédia [13],
L'apprentissage automatique peut être appliquéà
différents types de données, tels des graphes, des arbres, des
courbes, ou plus simplement des vecteurs de caractéristiques, qui
peuvent être des variables qualitatives ou quantitatives continues ou
discrètes.
L'apprentissage automatique est utilisédans un large
spectre d'applications pour doter des ordinateurs ou des machines de
capacitéd'analyser des données d'entrée comme : perception
de leur environnement (vision, Reconnaissance de formes tels des visages,
schémas, segmentation d'image, langages naturels, caractères
dactylographiés ou manuscrits; moteurs de recherche, analyse et
indexation d'images et de vidéo, en particulier
