1. Quelle est la relation entre l’IA et le machine learning ?
L'intelligence artificielle (IA) est un domaine vaste qui vise à créer des systèmes capables
d'accomplir des tâches normalement réservées à l'intelligence humaine, comme la
reconnaissance de la parole ou la prise de décision. Le machine learning (apprentissage
automatique) est une sous-discipline de l'IA qui permet aux systèmes d'apprendre et de
s'améliorer à partir de données sans être explicitement programmés.
2. Pourquoi et comment fonctionne le machine learning ?
Le machine learning fonctionne parce qu’il permet aux algorithmes d’apprendre des motifs
dans les données et de faire des prédictions ou des décisions sans intervention humaine directe.
Il utilise des modèles mathématiques et statistiques pour analyser les données, identifier des
schémas, et généraliser à partir de ces observations pour de nouvelles données.
3. L’apprentissage humain et l’apprentissage machine, les similitudes et les différences ?
Similitudes : Les deux types d'apprentissage reposent sur l'observation, l'acquisition
d'expérience et l'amélioration continue.
Différences : L’apprentissage humain est beaucoup plus flexible, multidimensionnel et basé
sur l’intuition, tandis que l’apprentissage machine se base strictement sur des données
disponibles et des algorithmes, sans la capacité de compréhension contextuelle et
émotionnelle.
4. Quelle est la différence fondamentale entre l’apprentissage supervisé et non supervisé ?
En apprentissage supervisé, l'algorithme apprend à partir d'un ensemble de données étiquetées,
c'est-à-dire avec des exemples où la sortie correcte est fournie (comme reconnaître des images
de chats et de chiens avec des labels "chat" ou "chien"). En apprentissage non supervisé, les
données ne sont pas étiquetées, et l'algorithme doit identifier des motifs ou des groupes
(comme regrouper des clients selon leur comportement d'achat sans savoir quels groupes sont
attendus).
5. Quelle est la différence fondamentale entre la classification et la régression ?
La classification consiste à attribuer une étiquette à un exemple (ex. : "spam" ou "non-spam"),
tandis que la régression prédit une valeur continue (ex. : prédire le prix d'une maison sur la
base de caractéristiques comme la surface et l'emplacement).
6. Pourquoi appelle-t-on la régression, régression ?
Le terme "régression" vient des premiers travaux statistiques de Francis Galton, qui observait
une régression vers la moyenne dans la taille des enfants par rapport à la taille des parents. En
machine learning, cela s’est étendu à la prédiction de valeurs continues.
7. Pour un algorithme machine learning, est-ce un avantage ou un inconvénient d’avoir
des données en quantité ?
Avoir des données en quantité est généralement un avantage, car cela permet à l’algorithme
de mieux généraliser. Cependant, de grandes quantités de données de mauvaise qualité
peuvent être un inconvénient, et un grand volume de données peut aussi rendre l'entraînement
du modèle coûteux en termes de ressources.
8. Pourquoi la qualité des données est très importante en machine learning ?
La qualité des données est cruciale car les algorithmes apprennent à partir de celles-ci. Des
données de mauvaise qualité peuvent mener à des modèles biaisés ou inefficaces, et réduire la
performance globale.
9. Qu’est-ce que l’overfitting ?
L'overfitting (surapprentissage) se produit lorsque le modèle est trop complexe et qu'il
apprend trop bien les détails et le bruit des données d'entraînement, au détriment de sa
capacité à généraliser à de nouvelles données. Cela conduit à de mauvaises performances sur
les données non vues.
10. Quelle(s) application(s) machine learning vous utilisez quotidiennement ?
Des applications comme les moteurs de recherche (Google), les recommandations sur Netflix
ou Spotify, les assistants vocaux (Siri, Alexa) et les filtres anti-spam utilisent des algorithmes
de machine learning quotidiennement.
11. Quel est le meilleur cours/livre de machine learning sur le Net ?
Parmi les meilleurs cours :
"Machine Learning" de Andrew Ng sur Coursera (célèbre et accessible).
"Deep Learning Specialization" sur Coursera.
En termes de livres, "Pattern Recognition and Machine Learning" de Christopher
Bishop est une référence.
12. Quel est le meilleur langage de programmation pour faire le machine learning ?
Qu’attendez-vous pour le maîtriser ?
Python est actuellement le langage le plus populaire pour le machine learning, en raison de sa
simplicité et des nombreuses bibliothèques (TensorFlow, Scikit-learn, PyTorch). Si vous ne le
maîtrisez pas encore, vous pouvez commencer par suivre des tutoriels en ligne pour vous
familiariser.
13. Quels outils de l’IA utilisez-vous quotidiennement et pourquoi ?
Les moteurs de recherche intelligents, les filtres de tri d’e-mails, les systèmes de
recommandations, et les assistants vocaux sont des outils d’IA que j'utilise en permanence car
ils rendent l'accès à l'information et la gestion des tâches quotidiennes plus faciles et rapides.
14. Quels sont les conditions pour une utilisation performante de l’algorithme One Rule ?
L’algorithme One Rule (OneR) est un algorithme de classification simple qui crée une règle
de décision basée sur une seule caractéristique. Pour qu'il fonctionne bien, il faut que les
données aient une variable prédictive forte, que les caractéristiques soient bien préparées, et
que le bruit soit minimal pour éviter une mauvaise généralisation.
