Types d'apprentissage automatique

L'apprentissage automatique (Machine Learning) se décline en plusieurs paradigmes selon la nature des données d'entrée et l'objectif visé.

Apprentissage supervisé

Définition et formalisation

Dans l'apprentissage supervisé, on dispose d'un jeu de données d'entraînement D = {(x₁,y₁), (x₂,y₂), ..., (xₙ,yₙ) où :

• xᵢ ∈ X : vecteur de features (variables explicatives)
• yᵢ ∈ Y : label ou target (variable à prédire)

Objectif : Apprendre une fonction f_θ : X → Y qui minimise le risque empirique :

R_emp(θ) = (1/n) Σᵢ ℓ(yᵢ, f_θ(xᵢ))

où ℓ est une fonction de perte adaptée au problème.

Types de problèmes supervisés

Régression

• Target : Variable continue y ∈ ℝ
• Pertes courantes : MSE, MAE, Huber
• Exemples : Prédiction de prix, température, demande

Exemple concret : Prédiction du prix immobilier

Features (x) : [superficie, nb_chambres, quartier_encoded, année_construction] Target (y) : prix en euros Perte MSE : ℓ(y, ŷ) = (y - ŷ)²

Classification binaire

• Target : Variable binaire y ∈ {0,1} ou -1,+1
• Pertes courantes : Cross-entropy, hinge loss
• Métriques : Accuracy, Precision, Recall, F1, AUC-ROC

Exemple : Détection de spam