Introduction à l'apprentissage automatique
Ce que ce chapitre apporte 6 points
- Situer intelligence artificielle, apprentissage automatique et apprentissage profond les uns par rapport aux autres.
- Distinguer apprentissage supervisé, non supervisé et par renforcement, et reconnaître lequel s'applique.
- Décrire un jeu de données par ses individus, ses attributs et sa cible, et distinguer une variable quantitative d'une variable qualitative, ordinale ou nominale.
- Expliquer pourquoi une corrélation apprise peut être trompeuse, et le montrer sur un cas.
- Nommer ce qu'une machine n'apprend pas, et ce que cela implique pour qui l'emploie.
- Séparer la phase d'apprentissage de la phase de production, et dire ce que mesure un chiffre calculé sur les données d'entraînement.
Trois mots emboîtés
L'intelligence artificielle (IA) désigne l'ensemble des techniques visant à faire accomplir par une machine des tâches qui demandent, chez un humain, du raisonnement, de la perception ou de la décision. Le terme date de 1956, et il englobe des approches qui n'apprennent rien : un solveur de contraintes, un moteur de règles, un algorithme de recherche.
L'apprentissage automatique est la partie de ce domaine où le comportement n'est pas programmé mais estimé à partir de données. On ne décrit pas la règle, on fournit des exemples et l'on ajuste un modèle.
L'apprentissage profond est une famille de méthodes d'apprentissage automatique fondées sur des réseaux de neurones à plusieurs couches. C'est un cas particulier, pas un synonyme.
« Apprentissage profond » n'est pas synonyme de « moderne ». Sur des données tabulaires, celles d'un tableur, les méthodes classiques restent souvent meilleures que les réseaux, et beaucoup moins coûteuses.
« Le modèle a appris » n'est pas « le modèle a compris ». Il a trouvé des coefficients qui minimisent une erreur sur un échantillon. Rien d'autre n'a eu lieu.
Deux phases, et il faut les séparer
La phase d'apprentissage estime les paramètres d'un modèle à partir d'un jeu de données dont on connaît les réponses attendues.
La phase de production applique le modèle figé à des données nouvelles, dont on ne connaît pas les réponses.
Pourquoi cette séparation gouverne tout le reste. Ce qu'on mesure pendant l'apprentissage n'est pas ce qui intéresse. Un modèle qui reproduit parfaitement les exemples qu'on lui a montrés peut être inutile sur des cas nouveaux : il a retenu les exemples au lieu d'en extraire une régularité.
Toute l'évaluation d'un modèle consiste donc à estimer sa performance sur des données qu'il n'a pas vues. C'est le sujet entier du chapitre 7, et c'est la différence entre un travail sérieux et une démonstration flatteuse.
Trois familles d'apprentissage
| Famille | Le jeu de données contient | La question posée | Exemples |
|---|---|---|---|
| Supervisé | les réponses attendues | prédire cette réponse sur un cas nouveau | régression, classification |
| Non supervisé | aucune réponse | trouver une structure dans les données | partitionnement, réduction de dimension |
| Par renforcement | ni réponses ni données fixes, mais un environnement qui récompense | trouver une politique d'action | commande, jeu, robotique |
Oui : c'est du supervisé, et la nature de la réponse décide de la suite. Un nombre, c'est une régression ; une catégorie, c'est une classification.
Non : c'est du non supervisé, et il faut alors accepter qu'il n'y aura pas de bonne réponse à laquelle se comparer. Évaluer un partitionnement est un problème en soi, et le chapitre 4 y consacre une section.
Cette question paraît triviale et elle est pourtant celle qui est le plus souvent escamotée. Beaucoup de projets se lancent sans que personne ait vérifié que les étiquettes existent, ni ce qu'elles valent.
Un jeu de données contient une colonne indiquant si le client a résilié. Quelle famille d'apprentissage ?
La forme d'un jeu de données
Un jeu de données est un tableau. Chaque ligne est un individu, ou observation. Chaque colonne est un attribut, ou variable.
Les résumés qu'on en tire, moyenne, médiane, quartiles et écart type, ainsi que ce que chacun cache, sont traités dans le chapitre de mathématiques sur les statistiques.
En apprentissage supervisé, une colonne particulière est la cible : celle qu'on veut prédire. Les autres sont les variables explicatives.
Quantitatif continu : une mesure, avec des valeurs intermédiaires qui ont un sens. Une température, une distance, un salaire.
Quantitatif discret : un comptage. Un nombre de pièces, un nombre d'incidents.
Qualitatif ordinal : des catégories ordonnées. Un niveau de satisfaction de 1 à 4, une taille S, M, L.
Qualitatif nominal : des catégories sans ordre. Une marque, une ville, un statut.
Aucune de ces affirmations n'est vraie, et pourtant tout algorithme qui calcule des distances ou des sommes les prendra au pied de la lettre. Le chapitre 3 donne la parade, qui consiste à ne pas ordonner ce qui n'est pas ordonné.
Le code postal doit être traité comme…
Ce qu'une machine apprend vraiment
Voici le point du chapitre. Un modèle apprend des régularités observées dans un échantillon, et rien de plus. Il ne sait pas distinguer une régularité causale d'une coïncidence de recrutement.
Un service de maintenance relève les pannes sur mille machines de deux marques, réparties entre deux ateliers : un atelier tempéré et un atelier surchauffé.
Le taux de panne global accuse nettement la marque A. Un modèle entraîné sur la seule marque apprendrait exactement cela, et recommanderait d'abandonner ce fournisseur.
Le code ci-dessous refait le calcul atelier par atelier, et la conclusion s'inverse.
Les tables de ce parcours s'écrivent avec pandas. Tous les blocs de code des chapitres qui suivent manipulent des tables : une ligne par observation, une colonne par variable. L'outil est pandas, et trois gestes suffisent à lire ce qui vient : DataFrame construit la table, groupby la découpe en sous-populations, crosstab croise deux colonnes qualitatives.
Le chapitre pandas du parcours Python les pose tous les trois. Il n'est pas nécessaire de l'avoir lu pour suivre le raisonnement ci-dessous, mais il l'est pour écrire soi-même ce genre de code.
("tempere", "A", 400, 16) et ("surchauffe", "A", 100, 28) : la marque A passe sur l'atelier tempéré, avec les mêmes taux de panne par atelier, 4 % et 28 %. Relancer le code. Constater que le taux global de la marque A tombe à 8,8 %, sous les 10,0 % de la marque B, alors qu'aucun taux par atelier n'a changé.
Ce que le calcul montre, et ce qu'il faut en retirer. Globalement, la marque A tombe en panne plus de deux fois plus souvent que la marque B.
Dans chaque atelier pris séparément, la marque A tombe en panne moins souvent que la marque B.
Les deux affirmations sont exactes. La contradiction n'est qu'apparente : la marque A a été installée majoritairement dans l'atelier surchauffé, où toutes les machines tombent en panne. Ce n'est pas la marque qui explique les pannes, c'est la température, et la marque n'en est que le témoin.
Ce renversement porte un nom, le paradoxe de Simpson. Il n'a rien d'une curiosité : c'est la forme la plus courante d'un biais de confusion, et un modèle qui ne voit pas la variable d'atelier le reproduira fidèlement.
Il reproduira les biais de collecte : ce qui a été mesuré, sur qui, et ce qui ne l'a pas été. Il reproduira les variables confondantes, comme l'atelier ci-dessus. Il reproduira les décisions passées quand les étiquettes viennent d'humains.
Et il le fera avec une confiance parfaite, sans jamais rien signaler. C'est pourquoi les chapitres 2 et 3 précèdent les algorithmes, et non l'inverse.
Ce qu'une machine n'apprend pas
Quatre limites qui ne se corrigent pas par plus de données.
La causalité. Un modèle apprend des associations. Rien dans un tableau ne dit ce qui cause quoi, et augmenter la taille de l'échantillon ne le dira pas davantage. Cela s'obtient par l'expérimentation ou par une hypothèse extérieure aux données.
Ce qui n'a pas été mesuré. Si la colonne « atelier » n'existe pas, aucun algorithme ne l'inventera. La qualité d'un modèle est plafonnée par le choix des attributs, qui est un choix humain.
Ce qui change après l'apprentissage. Un modèle figé applique des régularités passées à un monde qui bouge. Ce décalage a un nom, la dérive, et il oblige à surveiller un modèle en production comme on surveille un serveur.
Ce qu'il faut faire du résultat. Un modèle produit un nombre ou une catégorie. Décider ce qu'on en fait, avec quel seuil et avec quelles conséquences, n'est pas une question technique. Le chapitre 11 y revient.
S'il recommande un film, rien. S'il oriente une intervention de maintenance, on perd une heure. S'il refuse un dossier, quelqu'un subit une décision qu'il ne comprend pas.
Cette question détermine le seuil à choisir, la métrique à surveiller, et le niveau d'explication à fournir. Elle se pose au moment de cadrer le problème, pas au moment de livrer.
1.Dans l'exemple du parc de machines, qu'est-ce qui explique réellement les pannes ?
2.Un modèle apprend des associations. Peut-il en déduire des causes ?
Ce que fera ce module
Comprendre les données avant d'y toucher : chapitre 2.
Les préparer, ce qui occupe en pratique la majeure partie du travail : chapitre 3.
Apprendre : sans étiquettes au chapitre 4, un nombre aux chapitres 5 et 6, une catégorie au chapitre 8, avec des couches au chapitre 10.
Vérifier : la généralisation au chapitre 7, les métriques au chapitre 9, et ce que le système décide vraiment au chapitre 11.
L'apprentissage profond est…
Mettre en pratique
Un jeu de données se décrit par des nombres avant de se décrire par des mots, et ces nombres décident déjà de ce qui est faisable.
Décrire un jeu de données
- 1.
Un fichier compte 5 000 lignes et 12 colonnes, dont une est la cible. Combien d'attributs le modèle reçoit-il en entrée ?
- 2.
Une variable qualitative nominale prend 4 modalités. Combien de colonnes son encodage en indicatrices produit-il ?
- 3.
Après encodage de cette variable, combien de colonnes d'entrée le modèle reçoit-il ?
- 4.
Le jeu est déséquilibré : 150 individus portent la classe rare sur 5 000. Quel pourcentage cela représente-t-il, à l'entier ?
Ce dernier chiffre décide de la suite. À 3 % de classe rare, un modèle qui répond toujours « classe majoritaire » obtient déjà 97 % d'exactitude sans rien avoir appris, et c'est le chapitre sur la mesure qui en tirera les conséquences.
Un service veut regrouper ses clients en profils types, sans savoir à l'avance lesquels. Quelle famille d'apprentissage ?
Par où commencer ? Chercher dans le jeu de données une colonne qui contienne, pour chaque client, la réponse que la machine devrait produire.
Le corrigé
- Chercher la réponse attendue. Le jeu de données ne contient aucune colonne « profil » : le service ne sait pas à l'avance quels profils existent, donc aucun client n'a de réponse attendue.
- Nommer la famille. Sans réponse attendue, l'apprentissage est non supervisé ; chercher des profils types revient à du partitionnement, traité au chapitre 4.
- Prévoir comment juger le résultat. Sans étiquettes, il n'existe pas de mesure objective de la qualité du résultat : on évaluera la cohérence interne des groupes et leur interprétabilité métier, ce qui est bien plus discutable qu'une erreur de prédiction.
- Vérifier. Si le service disposait déjà d'une colonne « profil » remplie pour chaque client, la même demande deviendrait une classification supervisée : c'est bien l'absence de la colonne qui décide de la famille.
Un modèle atteint 99 % de bonnes réponses sur les données d'entraînement. Est-ce une bonne nouvelle ?
Par où commencer ? Se demander sur quelles données ce 99 % a été mesuré, avant de juger le chiffre.
Pourquoi se demander d'abord sur quelles données le chiffre a été mesuré ?
Le corrigé
- Situer la mesure. Le 99 % porte sur les données d'entraînement, c'est-à-dire sur des cas que le modèle a déjà vus pendant l'apprentissage.
- Lire ce qu'il mesure. Un chiffre d'entraînement mesure la capacité à restituer ce qui a été vu, pas à généraliser : un modèle qui mémoriserait chaque exemple atteindrait 100 % et serait sans valeur.
- Exiger la bonne mesure. Seule une mesure sur des données que le modèle n'a pas vues renseigne sur la production. Tant qu'elle n'est pas donnée, on n'en sait rien, et c'est même plutôt inquiétant.
- Vérifier. Un écart important entre le chiffre d'entraînement et le chiffre sur des données non vues a un nom, le sur-apprentissage ; le chapitre 7 montre comment organiser cette séparation.
Dans l'exemple des machines, quelle colonne aurait-il fallu ajouter, et que se passe-t-il si elle n'existe pas ?
Par où commencer ? Retrouver dans l'exemple ce qui varie en même temps que la marque et qui explique réellement les pannes, avant de chercher une colonne.
Le corrigé
- Retrouver la cause réelle. Les pannes viennent de la température de l'atelier, pas de la marque : la marque A est seulement plus souvent installée dans l'atelier le plus chaud.
- Nommer la colonne manquante. Il fallait l'atelier, ou mieux la température elle-même, qui est la cause.
- Prévoir l'absence de la colonne. Si elle n'existe pas dans le jeu de données, aucun algorithme ne la reconstituera : le modèle apprendra que la marque A tombe en panne deux fois plus, ce qui est vrai dans les données et faux dans le monde.
- Vérifier. Rien ne le signalera : les métriques du modèle seront bonnes, puisqu'il prédit correctement sur des données qui portent le même biais. La qualité d'un modèle est bornée par le choix des attributs, et ce choix est humain.
Chapitre révisé en octobre 2026 · Une erreur dans ce chapitre ?
Dans la bibliothèque d'exercices
Ce que les premiers chiffres décident déjà, et l'ordre qu'un codage invente.
- Ce que les premiers chiffres décident déjàNiveau 1
- Numéroter, c'est affirmerNiveau 1
- Quelles demandes ont une cibleNiveau 2
- Les colonnes mal classées d'une médiathèqueNiveau 3
- Ce que mesure un chiffre d'entraînementNiveau 2
- Une variété qui doit presque tout au solNiveau 2