Introduction au Machine Learning

Le Machine Learning (ML) est une branche de l’intelligence artificielle qui permet aux machines d’apprendre à partir de données sans être explicitement programmées.

Types d’apprentissage

Apprentissage supervisé

Le modèle apprend à partir de données étiquetées (entrées + sorties attendues).

Exemples :

• Classification d’emails (spam/non-spam)
• Prédiction de prix immobilier
• Diagnostic médical

Apprentissage non supervisé

Le modèle découvre des patterns dans des données non étiquetées.

Exemples :

• Segmentation de clients
• Détection d’anomalies
• Réduction de dimensions

Apprentissage par renforcement

Le modèle apprend par essai-erreur en interagissant avec un environnement.

Exemples :

• Jeux (AlphaGo, jeux vidéo)
• Robotique
• Trading automatique

Workflow ML typique

┌──────────────┐     ┌──────────────┐     ┌──────────────┐
│  Collecte    │────▶│  Préparation │────▶│  Exploration │
│  des données │     │  des données │     │  (EDA)       │
└──────────────┘     └──────────────┘     └──────────────┘
                                                  │
                                                  ▼
┌──────────────┐     ┌──────────────┐     ┌──────────────┐
│  Déploiement │◀────│  Évaluation  │◀────│ Entraînement │
│              │     │              │     │  du modèle   │
└──────────────┘     └──────────────┘     └──────────────┘

Premier exemple avec scikit-learn

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Charger les données
iris = load_iris()
X, y = iris.data, iris.target

# Diviser en train/test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Créer et entraîner le modèle
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# Prédire et évaluer
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Précision : {accuracy:.2%}")

Métriques d’évaluation

Classification

Métrique	Description	Utilisation
Accuracy	% de prédictions correctes	Classes équilibrées
Precision	% de vrais positifs parmi les positifs prédits	Minimiser faux positifs
Recall	% de vrais positifs parmi les vrais positifs réels	Minimiser faux négatifs
F1-Score	Moyenne harmonique precision/recall	Équilibre

Régression

Métrique	Description
MAE	Erreur absolue moyenne
MSE	Erreur quadratique moyenne
RMSE	Racine de MSE
R²	Coefficient de détermination

Bibliothèques essentielles

# Manipulation de données
import pandas as pd
import numpy as np

# Visualisation
import matplotlib.pyplot as plt
import seaborn as sns

# Machine Learning
from sklearn import ...   # ML classique
import xgboost as xgb     # Gradient Boosting
import lightgbm as lgb    # Gradient Boosting rapide

# Deep Learning
import tensorflow as tf
import torch

Installation

pip install scikit-learn pandas numpy matplotlib seaborn

Prochaines étapes

• Régression linéaire
• Arbres de décision
• Réseaux de neurones