Définition - Que signifie l'apprentissage automatique?
L'apprentissage automatique est une discipline d'intelligence artificielle (IA) orientée vers le développement technologique des connaissances humaines. L'apprentissage automatique permet aux ordinateurs de gérer de nouvelles situations via l'analyse, l'auto-formation, l'observation et l'expérience.
L'apprentissage automatique facilite les progrès continus de l'informatique grâce à l'exposition à de nouveaux scénarios, aux tests et à l'adaptation, tout en utilisant la détection de modèles et de tendances pour de meilleures décisions dans des situations ultérieures (mais non identiques).
L'apprentissage automatique est souvent confondu avec l'exploration de données et la découverte de connaissances dans des bases de données (KDD), qui partagent une méthodologie similaire.
Definir Tech explique l'apprentissage automatique
Tom M. Mitchell, pionnier de l'apprentissage automatique et professeur à l'Université Carnegie Mellon (CMU), a prédit l'évolution et la synergie de l'apprentissage humain et machine. Le fil d'actualité Facebook d'aujourd'hui en est un parfait exemple. Le fil d'actualité est programmé pour afficher le contenu des amis de l'utilisateur. Si un utilisateur marque ou écrit fréquemment sur le mur d'un ami en particulier, le fil d'actualité change son comportement pour afficher plus de contenu de cet ami.
D'autres applications d'apprentissage automatique comprennent la reconnaissance de formes syntaxiques, le traitement du langage naturel, les moteurs de recherche, la vision par ordinateur et la perception par machine.
| Téléchargement Gratuit: L'IA dans le secteur de l'assurance: 26 cas d'utilisation concrets |
Il est difficile de reproduire l'intuition humaine dans une machine, principalement parce que les êtres humains apprennent et exécutent souvent des décisions inconsciemment.
Comme les enfants, les machines nécessitent une période de formation prolongée lors du développement de larges algorithmes orientés vers la dictée du comportement futur. Les techniques de formation comprennent l'apprentissage par cœur, l'ajustement des paramètres, les macro-opérateurs, la segmentation, l'apprentissage basé sur l'explication, le regroupement, la correction d'erreurs, l'enregistrement de cas, la gestion de modèles multiples, la propagation arrière, l'apprentissage par renforcement et les algorithmes génétiques.