L'apprentissage machine (ML) est une branche fondamentale de l'intelligence artificielle (IA) qui donne aux systèmes informatiques les moyens d'apprendre à partir des données et d'améliorer leurs performances sur des tâches spécifiques sans être explicitement programmés. Au lieu de s'appuyer sur des règles codées en dur, les systèmes ML utilisent des algorithmes pour analyser de grandes quantités de données, identifier des modèles et prendre des décisions ou faire des prédictions en fonction de ces modèles. Cette capacité permet aux systèmes de s'adapter et d'améliorer leur précision au fil du temps, à mesure qu'ils rencontrent davantage de données.
Concept de base
L'idée centrale de l'apprentissage automatique est la création et l'utilisation d'algorithmes capables de traiter les données d'entrée et d'apprendre à produire le résultat souhaité. Ce processus d'apprentissage consiste généralement à alimenter l'algorithme avec de grands ensembles de données, qui ajuste ensuite ses paramètres internes pour minimiser les erreurs ou maximiser la précision de ses prédictions ou classifications. L'efficacité de la ML dépend souvent d'un prétraitement approfondi des données pour s'assurer que les données d'entrée conviennent à l'algorithme d'apprentissage. L'objectif final est de permettre aux machines de résoudre des problèmes complexes ou de faire des prévisions précises de manière autonome.
Types d'apprentissage automatique
L'apprentissage automatique est généralement classé en plusieurs grands types, chacun adapté à différents types de tâches et de données :
Applications dans le monde réel
L'apprentissage automatique stimule l'innovation dans d'innombrables domaines. Voici quelques exemples marquants :
Pertinence dans l'IA et la vision par ordinateur
L'apprentissage automatique est un pilier fondamental de l'IA moderne et il est particulièrement transformateur dans le domaine de la vision par ordinateur (VA). Des tâches telles que la détection d'objets, la segmentation d'images et la reconnaissance faciale s'appuient fortement sur des modèles d'apprentissage automatique pour interpréter et comprendre les informations visuelles. Des modèles de pointe comme Ultralytics YOLO exploitent les techniques de ML pour atteindre une précision et une vitesse élevées. Des cadres comme PyTorch et des plateformes comme Ultralytics HUB fournissent les outils nécessaires au développement, à l'entraînement et au déploiement de ces modèles ML sophistiqués.
Relation avec l'apprentissage profond
L'apprentissage profond (DL) est un sous-domaine spécialisé de l'apprentissage automatique. Il se concentre sur l'utilisation de réseaux neuronaux (NN) avec plusieurs couches (architectures profondes) pour modéliser des modèles complexes dans les données. L'apprentissage profond a considérablement fait progresser les capacités de l'apprentissage automatique, en particulier dans les domaines traitant de données non structurées telles que les images, le texte et le son, car il peut apprendre automatiquement des caractéristiques hiérarchiques sans ingénierie manuelle des caractéristiques. Tu peux en apprendre davantage sur les principes de base en consultant cette présentation des réseaux neuronaux expliqués. De nombreux modèles avancés de vision par ordinateur, y compris ceux développés par Ultralytics, sont basés sur les principes de l'apprentissage profond.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
