Au lieu de programmer les règles manuellement, fournissez des exemples et laissez l'algorithme identifier les schémas. L'apprentissage automatique crée des modèles qui s'améliorent grâce aux données et est désormais au cœur de la recherche, des recommandations, de la détection des fraudes et de la reconnaissance vocale.

Ce domaine se divise selon la supervision. L'apprentissage supervisé utilise des données étiquetées. L'apprentissage non supervisé découvre des structures sans étiquettes. L'apprentissage par renforcement s'appuie sur les signaux de récompense grâce à l'interaction. Chaque méthode est adaptée à des problèmes différents.

Paradigmes d'apprentissage communs

• Apprentissage supervisé à partir d'étiquettes
• Apprentissage non supervisé à partir de la structure
• Apprentissage par renforcement à partir de la récompense
• Apprentissage semi-supervisé à partir de données mixtes
• Apprentissage auto-supervisé à partir de tâches prétextuelles

Les données sont déterminantes pour les résultats. Un modèle simple, basé sur des données propres et pertinentes, surpasse souvent un modèle complexe basé sur des données bruitées. Les praticiens consacrent l'essentiel de leur temps à la collecte, au nettoyage et à la validation des données, et non à la recherche d'une architecture.