REJOIGNEZ-NOUS !

Beezen recrute de nouveaux

talents en 2016
Serez-vous le prochain ? Nos offres d'emploi
Candidature spontanée

La course au machine Learning

En juillet 2018, Google annonce l’utilisation d’outils de marketing novateurs se basant sur la technologie de machine learning (apprentissage automatique). Ces outils, de plus en plus utilisés par les entreprises, visent à attirer de nouveaux clients à travers l’intelligence artificielle.

 

Comment fonctionne le machine learning ?

 

Le machine learning est une méthode d’analyse de données automatisant la construction des modèles analytiques. C’est une branche de l’intelligence artificielle basée sur l’idée que les machines doivent être capables d’apprendre et de s’adapter à travers l’expérience acquise.

Principalement, il existe deux types d’apprentissage : apprentissage supervisé et apprentissage non supervisé.

 

Apprentissage supervisé : la majorité des pratiques d’apprentissage automatique utilisent l’apprentissage supervisé. Ce dernier consiste à avoir des variables d’entrée (X) et des variables de sortie (Y) et d’utiliser un algorithme pour apprendre un modèle qui généralise la relation entre l’entrée et la sortie. Y = f (X).  Le but est de se rapprocher au mieux de la fonction de prédiction de telle sorte que lorsque de nouvelles données d’entrée arrivent, il est possible de prédire les variables de sortie (Y) pour ces données. Les problèmes d’apprentissage automatique peuvent être regroupés en des problèmes de régression et des problèmes de classification

 

— Classification : un problème de classification est décelé lorsque la variable de sortie est une catégorie. Par exemple :  “bleu” ou “rouge” ou alors “malade” ou “sain”, etc.

 

— Régression : on reconnaît un problème de régression lorsque la variable de sortie est une variable continue comme le prix, le poids, le temps, etc.

 

 

 

Pour résumer, l’objectif principal de l’apprentissage automatique supervisé est d’apprendre une fonction qui peut être utilisée afin de prédire les valeurs d’une classe ou d’une variable continue (cas de la régression).

 

Apprentissage non supervisé : dans ce cas, il existe seulement des données d’entrée (X) et pas de variables de sortie correspondants. Le but est de modéliser la structure ou la distribution sous-jacente afin de tirer plus d’informations sur les données. L’apprentissage non supervisé le plus connu est le clustering. Le clustering vise à regrouper les données d’entrée en des clusters et d’affecter des nouvelles données d’entrée aux clusters appropriés.

 

Cet article a été rédigé par Syrine, consultante chez Beezen.

 

BEEZEN, une ESN fun, éthique et innovante élue la seconde entreprise où il fait bon vivre en 2018 !