L'apprentissage automatique entraîne des algorithmes à identifier des tendances dans les données et à effectuer des prédictions. Au lieu de programmer des règles explicites, on fournit à l'algorithme des exemples. Il apprend la relation entre les entrées et les sorties, puis applique cet apprentissage à de nouvelles données. Un filtre anti-spam apprend à partir de millions de courriels étiquetés. Un moteur de recommandation apprend du comportement des utilisateurs. Un modèle de détection de fraude apprend à partir de l'historique des transactions. L'algorithme s'améliore à mesure qu'il traite davantage de données, jusqu'à un certain point.

Les principaux types d'apprentissage sont l'apprentissage supervisé, non supervisé et par renforcement. L'apprentissage supervisé utilise des données étiquetées. L'algorithme apprend à associer les entrées à des sorties connues. La classification prédit des catégories. La régression prédit des nombres. L'apprentissage non supervisé identifie des structures dans des données non étiquetées. Le clustering regroupe les enregistrements similaires. La réduction de dimensionnalité simplifie les données complexes. L'apprentissage par renforcement entraîne un agent par essais et erreurs, en récompensant les bonnes actions et en pénalisant les mauvaises. Il est à la base des systèmes de jeux et de la robotique. Chaque type convient à des problèmes différents. La qualité des données d'entraînement détermine la qualité du modèle. Des données biaisées produisent des prédictions biaisées. Des données incomplètes produisent des prédictions peu fiables. Le surapprentissage est un risque constant. Un modèle qui mémorise les données d'entraînement est peu performant sur de nouvelles données. La régularisation, la validation croisée et l'utilisation de données supplémentaires sont utiles. L'apprentissage automatique est à la fois puissant et fragile. Il détecte des schémas, y compris ceux qui ne devraient pas exister.

Types d'apprentissage automatique

• Apprentissage supervisé — données étiquetées, classification et régression
• Apprentissage non supervisé — données non étiquetées, clustering et réduction de dimensionnalité
• Renforcement — essai et erreur avec récompenses
• Apprentissage profond — réseaux neuronaux à plusieurs couches

L'apprentissage automatique est une forme de reconnaissance de formes à grande échelle. La qualité d'une forme dépend de la qualité des données qui l'ont produite.