📌 Leçon - 10

Les Types d'Apprentissage en Intelligence Artificielle

Comprendre l'apprentissage supervisé, non supervisé et par renforcement

🎯 Objectifs pédagogiques

À la fin de cette leçon, vous serez capable de :

• Distinguer les trois grands types d'apprentissage en IA
• Expliquer le fonctionnement de chaque type avec des schémas clairs
• Identifier des cas d'usage concrets pour chacun
• Comprendre les avantages et inconvénients de chaque méthode
• Choisir le type d'apprentissage adapté à un problème donné

Schéma comparatif des trois types d'apprentissage en IA (Source: Medium)

📘 L'Apprentissage Supervisé

Définition : Méthode où le modèle apprend à partir d'exemples étiquetés (entrées-sorties connues). L'algorithme cherche à établir une relation entre les données d'entrée (features) et les sorties attendues (labels).

Processus typique de l'apprentissage supervisé (Source: IBM)

Cas concret : Système de reconnaissance d'images médicales où chaque image radiographique est étiquetée "saine" ou "malade". Le modèle apprend à associer les caractéristiques visuelles aux diagnostics.

Étape 1 : Collecte des données étiquetées (paires input/output)

Étape 2 : Division des données en ensemble d'entraînement (70-80%) et de test (20-30%)

Étape 3 : Entraînement du modèle pour minimiser l'erreur de prédiction

Étape 4 : Évaluation sur les données de test non vues pendant l'entraînement

Applications typiques

• Classification : Détection de spam, diagnostic médical, reconnaissance d'objets
• Régression : Prédiction de prix, estimation de durée, prévision de ventes

✅ Avantages

• Performances élevées avec données étiquetées de qualité
• Évaluation simple via métriques (précision, recall, RMSE)
• Large éventail d'algorithmes éprouvés (Random Forest, SVM, réseaux de neurones)

❌ Limites

• Besoin de grandes quantités de données étiquetées (coûteux à obtenir)
• Difficulté à généraliser à des cas non vus pendant l'entraînement
• Risque de surapprentissage (overfitting) si le modèle mémorise les données

📙 L'Apprentissage Non Supervisé

Définition : Méthode où le modèle découvre des patterns, structures ou relations dans des données non étiquetées, sans guidance externe. L'algorithme explore les données pour en révéler l'organisation intrinsèque.

Processus typique de l'apprentissage non supervisé (Source: IBM)

Cas concret : Analyse de comportements d'achat en e-commerce où le système identifie naturellement 5 segments de clients aux profils distincts, sans connaître à l'avance ces catégories.

Étape 1 : Collecte des données brutes sans étiquettes

Étape 2 : Prétraitement et normalisation des données

Étape 3 : Application d'algorithmes de clustering ou réduction de dimension

Étape 4 : Interprétation humaine des patterns découverts

Applications typiques

• Clustering : Segmentation client, regroupement de documents similaires
• Réduction de dimension : Visualisation de données complexes (t-SNE, PCA)
• Détection d'anomalies : Fraude bancaire, défaillances industrielles
• Association : Règles de marché ("les clients qui achètent X achètent aussi Y")

✅ Avantages

• Utilisation de données non étiquetées (abondantes et peu coûteuses)
• Découverte de nouvelles insights inattendues
• Capacité à révéler des structures cachées complexes

❌ Limites

• Résultats difficiles à évaluer objectivement (pas de vérité terrain)
• Sensibilité aux paramètres et métriques choisies
• Interprétation humaine nécessaire (risque de subjectivité)

📗 L'Apprentissage par Renforcement

Définition : Méthode où un agent autonome apprend à accomplir une tâche par essai-erreur dans un environnement, en maximisant une récompense cumulée. Contrairement aux autres méthodes, l'apprentissage se fait par interaction continue.

Boucle d'interaction en apprentissage par renforcement (Source: IBM)

Cas concret : Entraînement d'un algorithme pour jouer aux échecs, où chaque coup est évalué selon son impact sur la probabilité de victoire, sans base de données de parties pré-enregistrées.

Étape 1 : Définition de l'environnement et des règles

Étape 2 : Initialisation de l'agent avec une politique aléatoire

Étape 3 : Interaction agent-environnement avec exploration

Étape 4 : Mise à jour de la politique selon les récompenses

Étape 5 : Répétition jusqu'à convergence

Composants clés

• Agent : Entité qui prend des décisions (politique)
• Environnement : Monde avec lequel l'agent interagit
• Actions : Ensemble des décisions possibles
• État : Description de la situation courante
• Récompense : Signal numérique guidant l'apprentissage
• Fonction de valeur : Estimation des bénéfices à long terme

✅ Avantages

• Adapté aux problèmes séquentiels et dynamiques complexes
• Capacité d'apprentissage autonome sans données préalables
• Meilleure généralisation grâce à l'exploration
• Succès impressionnants (AlphaGo, robots, conduite autonome)

❌ Limites

• Nécessite énormément d'essais (coûteux en calcul)
• Complexe à mettre en œuvre et à déboguer
• Délicat à définir la fonction de récompense
• Problème d'exploration/exploitation difficile à équilibrer

📊 Tableau Comparatif Détaillé

Critère	Supervisé	Non Supervisé	Par Renforcement
Nature des données	Données étiquetées (X → y)	Données brutes sans étiquettes	Expériences interactives
Objectif principal	Apprendre une fonction de prédiction	Découvrir des structures cachées	Apprendre une politique optimale
Type de sortie	Valeur ou classe prédite	Groupes, dimensions réduites, anomalies	Séquence d'actions optimales
Feedback	Direct et immédiat (labels)	Aucun	Retardé (signal de récompense)
Applications typiques	Diagnostic médical, reconnaissance vocale, prédiction	Segmentation client, analyse exploratoire, compression	Robotique, jeux, trading, contrôle optimal
Algorithmes courants	Régression linéaire, SVM, Random Forest, CNN	K-means, DBSCAN, PCA, autoencodeurs	Q-learning, Policy Gradients, Deep RL
Complexité d'implémentation	Modérée	Variable	Élevée

Arbre décisionnel pour choisir le type d'apprentissage adapté à son problème (Source: ResearchGate)

🧠 Activité Pratique Avancée

Pour chaque scénario ci-dessous :

1. Identifiez le type d'apprentissage le plus approprié
2. Justifiez votre choix
3. Proposez une architecture possible

Scénario 1 : Système de recommandation de musique

Un service de streaming veut personnaliser les playlists pour ses utilisateurs en fonction de leur historique d'écoute et des similarités avec d'autres utilisateurs.

Scénario 2 : Détection de défauts dans une chaîne de production

Une usine dispose de capteurs sur ses machines mais n'a pas d'historique étiqueté des pannes. Elle veut détecter des anomalies potentielles.

Scénario 3 : Optimisation de la consommation énergétique d'un data center

Un système doit apprendre à régler dynamiquement la climatisation et l'allocation des serveurs pour minimiser l'énergie utilisée tout en respectant les contraintes de température.

📝 Voir les réponses suggérées

Scénario 1 : Approche hybride

• Type : Combinaison supervisé (historique utilisateur) et non supervisé (clustering des musiques)
• Justification : Besoin de comprendre les goûts (supervisé) et découvrir des similarités cachées (non supervisé)
• Architecture : Matrice de factorisation + clustering des features audio

Scénario 2 : Non supervisé

• Type : Détection d'anomalies non supervisée
• Justification : Absence de données étiquetées, besoin de détecter des écarts aux patterns normaux
• Architecture : Autoencodeur ou Isolation Forest

Scénario 3 : Par renforcement

• Type : Apprentissage par renforcement
• Justification : Environnement dynamique, optimisation séquentielle, feedback retardé
• Architecture : Deep Q-Network avec simulation thermique

🔍 Pour Aller Plus Loin

Cas hybrides : En pratique, beaucoup de systèmes combinent plusieurs types d'apprentissage :

• Semi-supervisé : Utilise quelques données étiquetées et beaucoup de données non étiquetées
• Self-supervised learning : Le modèle génère ses propres labels à partir des données
• Apprentissage par transfert : Réutilisation de modèles pré-entraînés

Exemple concret : Les voitures autonomes utilisent les trois types simultanément : - Supervisé pour la détection d'objets - Non supervisé pour la compréhension des scènes - Renforcement pour la prise de décision