Quels sont les différents types d’apprentissage machine?
Valérie Bécaert Valérie Bécaert
13 février 6 min

Quels sont les différents types d’apprentissage machine?

Bien des gens pensent que l’apprentissage machine est un type de technologie unique. On en parle parfois comme d’un algorithme unique qui peut être copié et collé dans le code d’un logiciel. Mais, comme c’est toujours le cas avec l’IA et la technologie, c’est un peu plus compliqué. En fait, il existe plusieurs types d’algorithmes d’apprentissage machine, conçus pour accomplir différentes tâches de manières variées. La plupart du temps, les experts eux-mêmes ont du mal à s’entendre sur ce qu’est et ce que n’est pas l’apprentissage machine, sans parler de la manière de classer les différentes variantes de la technologie.

On peut classer l’apprentissage machine en quatre grandes catégories. Dans cet article, nous passons en revue ces catégories, et examinons ce qui les rend uniques et comment elles peuvent être utilisées dans la pratique.

Apprentissage machine supervisé

Quand nous parlons d’apprentissage machine, la plupart du temps il s’agit de ce que l’on appelle « l’apprentissage machine supervisé » : les utilisateurs individuels alimentent un algorithme avec un vaste ensemble de données déjà résolues; l’algorithme les analyse pour découvrir des tendances et apprendre des règles. Ce type d’apprentissage machine est le mieux adapté aux données pour lesquelles il existe des variables X et Y claires, et le système apprend à obtenir l’une à partir de l’autre.

Le géant des médias sociaux Facebook, qui utilise l’apprentissage machine supervisé pour détecter les contenus inappropriés sur la plateforme, en est un exemple concret. Dans ce cas, le contenu de la publication est la variable X, et la variable Y est la nature appropriée ou non de ce contenu. Pour former le modèle d’apprentissage machine, une équipe a introduit dans l’algorithme une série de contenus qu’elle a manuellement signalés comme appropriés ou inappropriés. À partir de là, le modèle d’apprentissage machine pouvait être laissé à lui-même pour essayer de déduire comment et pourquoi le contenu signalé était inapproprié.

Apprentissage machine non supervisé

Les tâches confiées à l’apprentissage machine ne présentent pas toujours des valeurs X et Y claires. La plupart du temps, l’apprentissage machine est utilisé non pas pour découvrir un résultat prescrit, mais pour découvrir des tendances et des structures qui régissent la relation entre des points de données disparates, mais liés. Prenons l’exemple d’un algorithme auquel vous voulez apprendre à différencier différents types de légumes, sans les identifier. En utilisant un type d’apprentissage machine non supervisé appelé « clustering », le système pourrait analyser des images de légumes et en déduire les similitudes ou les différences. Ce faisant, il pourrait apprendre davantage que la différence entre « carottes » et « pommes de terre » : il pourrait apprendre à classer les différents types de carottes, par exemple en fonction de leur poids, de leur couleur ou de leur forme.

L’avantage de cette méthode est qu’elle vous permet de découvrir des tendances dans des données que vous n’auriez peut-être même jamais remarquées. Mais il y a aussi un avantage plus pratique à l’apprentissage machine non supervisé : comme son nom l’indique, vous n’avez pas à le superviser.

Apprentissage machine semi-supervisé

L’apprentissage machine semi-supervisé utilise le meilleur des deux approches pour créer une sorte d’hybride. Il existe deux types de situations où cette stratégie peut être utile :

  • Quand l’apprentissage machine supervisé est l’option par défaut, mais qu’on ne dispose pas du temps ou des ressources nécessaires pour superviser entièrement le processus. Par conséquent, on donne une certaine orientation à l’algorithme, puis on le laisse à lui-même.
  • D’un autre côté, si on utilise l’apprentissage machine non supervisé, mais que l’on souhaite donner une direction à l’algorithme, peut-être pour gagner du temps ou pour orienter le système vers un résultat plus structuré et didactique.

Dans de nombreux cas, l’apprentissage machine décrit comme supervisé ou non supervisé est en fait une combinaison des deux approches. C’est pourquoi une classification concrète peut être difficile.

L’apprentissage par renforcement

L’apprentissage par renforcement est conçu pour trouver séquentiellement l’itinéraire le plus rapide vers une destination donnée. L’un des exemples les plus courants de l’apprentissage par renforcement consiste en un jeu dont le but ou l’objectif est clairement défini, mais qui comporte plusieurs moyens pour y parvenir. Prenons l’exemple d’un jeu de labyrinthe. L’objectif est de se rendre d’un endroit à l’autre en faisant un minimum de pas. Dans ce cas, l’algorithme par renforcement étudierait chaque itinéraire possible dans une séquence et sélectionnerait le plus court.

Dans des situations plus pratiques, cela présente plusieurs avantages :

  • Maintenance préventive des machines dans le secteur manufacturier.
  • Optimisation de la consommation d’énergie dans les usines et les centres de données.
  • Sélection des traitements optimaux dans le secteur de la santé.

Le thème général de tous ces exemples est celui de l’optimisation : alimenter un algorithme à partir d’une relation ou d’un système existant afin de déterminer le meilleur résultat ou la meilleure destination possible.

Trouver les bons types d’apprentissage machine

Idéalement, chaque type d’algorithme d’apprentissage machine entrerait dans l’une de ces quatre catégories, et il serait facile de déterminer le type dont vous avez besoin pour une tâche ou un problème donné. Mais en réalité, il existe beaucoup de chevauchements entre ces catégories générales, et tout système particulier est presque inévitablement caractérisé par une combinaison des différents types d’apprentissage machine. Souvent, la sélection du type d’apprentissage machine dont on a besoin est aussi compliquée que l’algorithme lui-même.


Si vous voulez en savoir plus sur les différents types d’apprentissage machine, lisez notre récent article sur la différence entre l’IA et l’apprentissage machine.