Apprentissage automatique (ML)

Le Machine Learning (ML) est un sous-domaine dynamique de l'Intelligence Artificielle (IA). l'intelligence artificielle (IA) qui l'intelligence artificielle (IA) qui se concentre sur le développement de systèmes capables d'apprendre à partir de données afin d'améliorer leurs performances au fil du temps sans être explicitement programmés pour chaque règle spécifique. sans être explicitement programmés pour chaque règle spécifique. Inventée par le pionnier Arthur Samuel en 1959, cette discipline permet aux ordinateurs de d'identifier des modèles, de prendre des décisions et de prédire des résultats sur la base d'informations historiques. Plutôt que de suivre un d'instructions statiques, les algorithmes de ML construisent un modèle mathématique basé sur des données d'entraînement pour faire des prédictions ou prendre des décisions. données d'entraînement pour faire des prédictions ou prendre des décisions sans être explicitement programmés pour effectuer la tâche.

Paradigmes d'apprentissage fondamentaux

Les algorithmes d'apprentissage automatique sont généralement classés en fonction de la manière dont ils apprennent à partir des données. La compréhension de ces paradigmes est essentielle pour choisir la bonne approche pour un problème donné :

• Apprentissage supervisé: L'algorithme algorithme est formé sur un ensemble de données étiquetées, ce qui signifie que l'entrée est accompagnée de la sortie correcte. Le modèle apprend à mettre en correspondance des entrées aux sorties. Il est couramment utilisé pour des tâches telles que la classification des images et le filtrage des spams. Des ressources telles que le guide d'IBM sur l'apprentissage supervisé offrent un de ces flux de travail.
• Apprentissage non supervisé: Dans cette approche, l'algorithme Dans cette approche, l'algorithme traite des données non étiquetées pour découvrir des structures ou des modèles cachés, tels que le regroupement de clients en fonction de leur comportement d'achat. les clients en fonction de leur comportement d'achat. Des techniques telles que le sont fondamentales dans ce paradigme.
• Apprentissage par renforcement: Un agent apprend à prendre des décisions en effectuant des actions dans un environnement et en recevant un retour d'information sous forme de récompenses ou de pénalités. de récompenses ou de pénalités. Cette méthode est essentielle pour former des agents à des tâches complexes, telles que celles observées en robotique et dans les jeux stratégiques. robotique et les jeux stratégiques.
• Apprentissage semi-supervisé: Cette approche hybride utilise une petite quantité de données étiquetées combinée à une grande quantité de données non étiquetées, ce qui améliore souvent la précision de l'apprentissage lorsque l'étiquetage est coûteux. améliorer la précision de l'apprentissage lorsque l'étiquetage est coûteux.

Différencier la ML des concepts apparentés

Bien qu'ils soient souvent utilisés de manière interchangeable, il est important de distinguer le ML des termes apparentés dans l'écosystème de la science des données :

• Apprentissage profond (AP): A sous-ensemble spécialisé de l'apprentissage profond qui utilise des réseaux neuronaux multicouches (NN) pour modéliser des modèles complexes complexes dans les données. L'apprentissage profond est à l'origine de percées modernes dans les domaines suivants vision par ordinateur (CV) et le traitement du naturel.
• L'extraction de données (Data Mining): Ce domaine se concentre sur la découverte de modèles ou de relations précédemment inconnus dans de vastes ensembles de données. Alors que le ML se concentre sur la prédiction et la la prise de décision, le data mining se concentre sur l'extraction d'informations exploitables, souvent décrites par SAS Analytics.
• Intelligence artificielle (IA): Le domaine global visant à créer des machines intelligentes. La ML est le sous-ensemble pratique qui fournit les méthodes statistiques permettant de réaliser l'IA.

Applications concrètes

L'apprentissage automatique est le moteur de nombreuses technologies transformatrices dans divers secteurs.

1. L'IA dans les soins de santé: Les modèles ML révolutionnent les diagnostics en effectuant l 'analyse des images médicales. Les algorithmes peuvent detect avec une grande précision des anomalies telles que des tumeurs dans les IRM, aidant ainsi les radiologues à détecter les maladies à un stade précoce. Les recherches publiées dans des revues telles que Nature Medicine mettent fréquemment en évidence ces avancées. ces avancées.
2. L'IA dans l'automobile: Les véhicules autonomes s'appuient fortement sur l'intelligence artificielle pour pour percevoir leur environnement. Les systèmes formés à partir d'un grand nombre de séquences de conduite utilisent la détection d'objets pour identifier les piétons et les autres véhicules. détection d'objets pour identifier les piétons, les autres d'autres voitures et les panneaux de signalisation en temps réel, garantissant ainsi une navigation sûre. Des entreprises comme Waymo utilisent ces systèmes de perception avancés.

Mise en œuvre de l'apprentissage automatique

Le développement d'une solution de ML implique la collecte de données, l'entraînement d'un modèle et son déploiement pour l'inférence. Les cadres modernes comme PyTorch et TensorFlow fournissent les outils essentiels pour construire ces systèmes.

Voici un exemple concis de l'utilisation de la fonction ultralytics pour effectuer une inférence à l'aide d'un modèle ML pré-entraîné. Cela démontre la facilité avec laquelle les outils modernes de ML peuvent être appliqués aux tâches de vision par ordinateur.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

Une mise en œuvre réussie nécessite également de prêter une attention particulière aux éléments suivants aux stratégies de déploiement des modèles et à la surveillance pour éviter des problèmes tels que le surajustement, lorsqu'un modèle apprend trop bien les données d'apprentissage et ne parvient pas à s'adapter à de nouvelles données. trop bien les données d'apprentissage et ne parvient pas à s'adapter à de nouvelles données. Des outils comme Scikit-learn restent essentiels pour les tâches traditionnelles de ML, tandis que le logiciel Ultralytics YOLO11 représente la pointe de la technologie pour les tâches d'apprentissage basées sur la vision. pour les tâches d'apprentissage basées sur la vision.