Imaginez apprendre à un enfant à reconnaître un chat : vous ne lui dictez pas une liste de règles (« quatre pattes, des moustaches, deux oreilles pointues »), vous lui montrez beaucoup de chats jusqu'à ce qu'il généralise. L'apprentissage automatique (Machine Learning) fonctionne ainsi : au lieu d'écrire un programme explicite, on fournit à un algorithme des données et il apprend tout seul les motifs qui les régissent.
Apprendre des données, pas des règles
La programmation classique suit la logique règles + données réponses. Le ML inverse ce paradigme : données + réponses règles (un modèle). Concrètement, l'algorithme ajuste des paramètres internes pour minimiser une erreur entre ses prédictions et la réalité. Cette erreur est mesurée par une fonction de coût que l'on cherche à réduire :
$$\min_{\theta} \; \frac{1}{n} \sum_{i=1}^{n} \mathcal{L}\big(f_\theta(x_i),\, y_i\big)$$
où $\theta$ représente les paramètres, $f_\theta$ le modèle, $x_i$ les entrées et $y_i$ les sorties attendues.
Les trois grandes familles
| Famille | Données | Objectif | Exemple |
|---|---|---|---|
| Supervisé | étiquetées | prédire une sortie connue | détecter un spam |
| Non supervisé | non étiquetées | trouver une structure cachée | segmenter des clients |
| Par renforcement | récompenses | apprendre par essais/erreurs | piloter un robot |
Le piège central : la généralisation
Le but n'est pas de mémoriser les exemples d'entraînement, mais de bien prédire sur des données jamais vues. Un modèle qui « apprend par cœur » fait du surapprentissage (overfitting) ; un modèle trop simple fait du sous-apprentissage. Trouver l'équilibre est l'art central de la discipline.
Le ML ne crée pas de l'intelligence par magie : il extrait de la régularité statistique. La qualité des données prime toujours sur la sophistication de l'algorithme.