IA, Machine Learning, Deep Learning : les distinctions clés
L'intelligence artificielle (IA) est le domaine general visant a creer des systèmes capables d'accomplir des taches qui requierent normalement l'intelligence humaine. Le machine learning (ML) en est un sous-ensemble : plutot que de programmer des règles explicitement, on fournit des données au système pour qu'il deduise lui-même les patterns. Le deep learning est a son tour un sous-ensemble du ML, base sur des réseaux de neurones artificiels a plusieurs couches.
Cette distinction n'est pas purement academique. Un système ML traditionnel comme une régression logistique est interprétable, rapide a entrainer et deployable sur du materiel standard. Un modèle deep learning comme un transformeur nécessite des GPU, des millions de données et un budget de calcul significatif. Choisir la bonne approche depend du problème, du volume de données disponibles et des contraintes opérationnelles.
Apprentissage vs programmation par règles
La différence fondamentale entre le ML et la programmation classique est le sens de la derivation. En programmation classique : données + règles → résultats. En ML : données + résultats attendus → règles (le modèle). Cette inversion est puissante pour les problèmes ou les règles sont trop complexes ou trop nombreuses pour être codées manuellement — reconnaissance vocale, détection de fraude, recommandation de contenu.
Pour un système de détection de spam, programmer des règles manuellement (liste de mots, expediteurs bloques) atteint rapidement ses limites. Un modèle ML apprend automatiquement des centaines de features discriminantes a partir d'exemples de spams et de mails legitimes, generalise a de nouveaux patterns et s'adapte a de nouvelles techniques de spam par retraining.
IA symbolique vs IA connexionniste
L'IA symbolique (systèmes experts, logique formelle, réseaux bayesiens) représente le savoir explicitement sous forme de règles et de faits. Elle est interprétable et robuste sur des domaines bien définis, mais fragile face a l'incertitude et difficile a scaler. L'IA connexionniste (réseaux de neurones, deep learning) apprend des représentations implicites a partir des données. Elle est plus flexible et plus performante sur des taches perceptuelles complexes, mais moins interprétable.
La tendance récente est aux approches hybrides : un LLM connexionniste peut générer du code ou des règles (symboliques), un système de raisonnement symbolique peut constraindre les sorties d'un modèle neuronal. Les meilleurs systèmes d'IA en 2025 — comme les architectures neuro-symboliques pour la planification — exploitent les deux approches.
Alan Turing pose les bases théoriques de l'IA en 1950 avec son article 'Computing Machinery and Intelligence' (introduction du test de Turing). Arthur Samuel invente l'expression 'machine learning' en 1959 lors de ses travaux sur un programme de jeu de dames capable de s'améliorer par l'experience. Frank Rosenblatt invente le perceptron en 1958 — le premier modèle de neurone artificiel entrainable — posant les bases du deep learning moderne.
Samuel, A.L. (1959). Some Studies in Machine Learning Using the Game of Checkers. IBM Journal of Research and Development.Les grandes familles d'apprentissage
Le ML se divise selon la nature du signal d'apprentissage disponible. Chaque paradigme répond a des types de problèmes distincts et implique des algorithmes differents.
Apprentissage supervise : apprendre avec des labels
L'apprentissage supervise utilise des paires (entrée, sortie attendue) pour apprendre une fonction de mapping. On distingue deux cas : la classification (sortie discrete — spam/non-spam, diagnostic, catégorie de produit) et la régression (sortie continue — prix d'un bien, temperature prévue, score de risque). La qualité du label est critique : un jeu de données mal annote produit un modèle biaise, quel que soit l'algorithme choisi.
Exemples typiques : détection de fraude bancaire (classification binaire), scoring de credit (régression ou classification), reconnaissance d'image (classification multi-classes), prediction de churn (classification binaire), prediction de la consommation energetique (régression). C'est le paradigme le plus repandu : environ 85 % des modèles ML en production sont supervises, car la plupart des systèmes métier accumulent naturellement des données historiques labelisées (transactions approuvées/refusées, tickets resolus/escalades).
Apprentissage non supervise : decouvrir des structures
Quand les labels sont absents ou trop couteux a obtenir, l'apprentissage non supervise extrait des structures latentes des données seules. Les principales taches sont : le clustering (K-Means, DBSCAN, hiérarchique — regrouper les individus similaires), la réduction de dimensionalite (PCA réduit la variance expliquée; UMAP et t-SNE preservent les relations de voisinage pour la visualisation; autoencoders apprennent une représentation compressée) et la détection d'anomalies (Isolation Forest, One-Class SVM — identifier les points atypiques sans labels positifs).
Applications concretes : segmentation client pour le marketing personnalise, détection d'intrusion réseau sans catalogue d'attaques connues, recommandation de contenu par similarite (collaborative filtering), compression d'image. L'évaluation est plus difficile qu'en supervise car il n'existe pas de 'bonne réponse' de référence — on utilise des métriques internes (silhouette score, inertie pour K-Means) ou une validation métier.
Apprentissage par renforcement : apprendre par l'experience
Un agent interagit avec un environnement, recoit des recompenses ou des penalites, et apprend une politique (policy) maximisant le cumul de recompenses a long terme. Le defi central est le trade-off exploration/exploitation : faut-il choisir l'action connue comme bonne (exploitation) ou explorer une nouvelle action potentiellement meilleure (exploration) ?
Ce paradigme a produit les systèmes les plus spectaculaires : AlphaGo (DeepMind, 2016) bat le champion mondial de go, les IA de jeux Atari surpassent les humains sur des dizaines de jeux, les algorithmes de trading haute fréquence optimisent des stratégies complexes. Le RLHF (Reinforcement Learning from Human Feedback) est au coeur de l'alignement des grands modèles de langage — c'est la technique qui permet d'ajuster les réponses de GPT-4, Claude ou Gemini pour les rendre utiles et inoffensives.
Semi-supervise et auto-supervise : le futur de l'apprentissage
L'apprentissage semi-supervise utilise un petit ensemble de données labelisées et un grand ensemble non labelise — très pertinent quand le labelling est couteux (annotations medicales, analyses juridiques). Un modèle pre-entraine sur les données non labelisées est affine (fine-tune) sur les exemples labelises.
L'apprentissage auto-supervise génère ses propres labels a partir des données : BERT se pre-entraine en predisant des tokens masques, les modèles de vision contrastive (SimCLR, MoCo) apprennent en comparant des versions augmentées de la même image. Cette approche produit des représentations generales (embeddings) transferables a de nombreuses taches downstream avec peu de données labelisées — c'est le paradigme dominant du deep learning moderne.
L'apprentissage supervise représente environ 85 % des cas d'usage ML en production selon les enquetes Kaggle et O'Reilly ML surveys. La principale raison : la disponibilité de données historiques labelisées dans les systèmes métier (CRM, ERP, outils de ticketing). L'apprentissage non supervise est dominant pour l'exploration et la segmentation. L'apprentissage par renforcement reste principalement dans les laboratoires de recherche et quelques domaines spécifiques (robotique, trading, jeux).
Les algorithmes fondamentaux a connaitre
Le paysage algorithmique du ML est vaste, mais quelques familles couvrent l'immense majorite des cas d'usage. Les connaitre permet de choisir un bon point de depart et d'interpréter les résultats.
Régression lineaire et logistique : le point de depart obligatoire
La régression lineaire predit une valeur continue (y = wX + b) en minimisant l'erreur quadratique moyenne. Simple, interprétable et rapide, elle constitue un excellent baseline pour tout problème de régression. La régularisation L1 (Lasso — met certains coefficients a zero, sélection de features automatique) et L2 (Ridge — pénalise les grands coefficients) controlent l'overfitting.
La régression logistique etend ce principe a la classification binaire en appliquant une fonction sigmoide pour produire une probabilite entre 0 et 1. Elle est largement utilisée dans les domaines reglementes (credit, sante, justice) pour son interprétabilité : les coefficients indiquent directement l'impact de chaque variable sur la probabilite de l'événement, et les sorties sont calibrées en probabilites exploitables.
Arbres de décision, Random Forest et XGBoost : le roi des données tabulaires
Un arbre de décision apprend des règles de segmentation hiérarchiques (si age > 35 ET revenu > 50k ALORS risque_faible). Intuitif et interprétable, mais très prone a l'overfitting sans contraintes de profondeur. Les méthodes d'ensemble remedient a ce problème.
Random Forest construit des centaines d'arbres sur des sous-echantillons aleatoires (bagging + random feature subsets) et moyenne leurs predictions. XGBoost et LightGBM utilisent le gradient boosting : chaque arbre corrige les erreurs residuelles du modèle précédent en minimisant la fonction de coût via la descente de gradient. XGBoost domine les competitions Kaggle sur données tabulaires depuis 2015 — il combine haute performance, régularisation L1/L2 intégrée, gestion native des valeurs manquantes, et support GPU. LightGBM est l'alternative Microsoft plus rapide pour les grands datasets.
SVM et KNN : frontieres de décision et voisinage
Le SVM (Support Vector Machine) trouve la frontiere de décision qui maximise la marge entre les classes — en ne s'appuyant que sur les points de support (les exemples les plus proches de la frontiere). Le kernel trick projette implicitement les données dans un espace de haute dimension ou elles deviennent separables lineairement : kernel RBF pour les frontieres circulaires, kernel polynomial, etc. Le SVM est efficace sur les petits datasets avec beaucoup de features (classification de texte, bioinformatique).
Le KNN (K-Nearest Neighbors) est l'algorithme le plus intuitif : pour predire la classe d'un nouvel exemple, on trouve ses k voisins les plus proches dans les données d'entraînement et on vote. Aucun entraînement explicite — la prediction se fait au moment du query. Inconvenients : lent en prediction sur de grands datasets (O(n) par requete), sensible aux features non normalisées et aux données irrelevantes. Utile comme baseline interprétable et pour les systèmes de recommandation.
Réseaux de neurones et deep learning : puissance sur les données non structurées
Un réseau de neurones est compose de couches (layers) de neurones artificiels connectes par des poids ajustables. L'apprentissage se fait par retropropagation du gradient (backpropagation) : on calcule l'erreur en sortie et on ajuste les poids en remontant le réseau via la regule de chaine. Les fonctions d'activation non lineaires (ReLU, Sigmoid, GELU) permettent d'apprendre des relations complexes.
Pour les données non structurées, les architectures spécialisées surpassent systématiquement les algorithmes traditionnels : CNN (Convolutional Neural Networks) pour la vision par ordinateur, transformeurs pour le traitement du langage naturel (BERT, GPT, Llama), GNN (Graph Neural Networks) pour les données en graphe. Le deep learning nécessite plus de données, de calcul (GPU/TPU) et d'expertise que les algorithmes classiques — mais les transfert learning et les modèles fondationaux (pre-entraines) ont dramatiquement réduit les données nécessaires pour des taches spécifiques.
Le pipeline ML de bout en bout
Un modèle ML ne vit pas en isolation. De la collecte des données a la mise en production, un pipeline ML structure est indispensable pour produire des modèles fiables et reproductibles.
Preparation et nettoyage des données
Les data scientists passent en moyenne 60 a 80 % de leur temps sur les données. Les opérations typiques incluent : imputation des valeurs manquantes (médiane ou moyenne pour les variables continues, mode pour les catégoriques, ou modèle prédictif pour les cas complexes), normalisation et standardisation des distributions (StandardScaler, MinMaxScaler), détection et traitement des outliers (IQR, z-score, Isolation Forest), encodage des variables catégorielles (one-hot encoding pour peu de catégories, target encoding pour les catégories a forte cardinalite, ordinal encoding pour les catégories ordonnées).
La gestion des déséquilibrés de classes est critique pour la détection de fraude, la détection de maladies rares et d'autres problèmes ou la classe positive est rare (< 5 %). Solutions : oversampling de la classe minoritaire (SMOTE — Synthetic Minority Oversampling Technique, qui génère des exemples synthetiques), undersampling de la classe majoritaire, ajustement du class_weight dans le modèle (dit au modèle de penaliser davantage les erreurs sur la classe minoritaire).
Feature engineering : la source principale de valeur
Le feature engineering transforme les variables brutes en représentations plus informatives pour le modèle. Exemples : a partir d'une date de transaction, extraire l'heure, le jour de la semaine, le mois, si c'est un jour ferie — chacune potentiellement prédictive pour la détection de fraude. A partir d'un texte, extraire TF-IDF, embeddings BERT, longueur, ratio majuscules/minuscules.
C'est souvent l'étape qui produit le plus grand gain de performance, bien plus que le choix d'un algorithme plus complexe. Les techniques de sélection de features (RFECV — Recursive Feature Elimination with Cross-Validation, importance SHAP, mutual information) permettent d'éliminer les features inutiles ou nuisibles qui degradent la généralisation.
Entraînement et optimisation des hyperparametres
L'entraînement consiste a ajuster les paramètres du modèle (poids d'un réseau de neurones, coefficients d'une régression) sur les données d'entraînement en minimisant une fonction de coût. Les hyperparametres (learning rate, profondeur max des arbres, nombre de couches, taux de dropout) controlent le processus d'apprentissage lui-même — ils ne sont pas appris par le modèle mais choisis par le data scientist.
L'optimisation des hyperparametres se fait sur le jeu de validation : grid search (exploration exhaustive d'une grille de valeurs), random search (echantillonnage aleatoire — plus efficace que grid search a budget égal), optimisation bayesienne avec Optuna ou Hyperopt (construit un modèle probabiliste de la performance en fonction des hyperparametres et explore intelligemment l'espace). La separation train/validation/test est non-negociable : le test set ne doit jamais être vu pendant l'entraînement ou le tuning.
Interprétabilité et explicabilite : SHAP et LIME
L'interprétabilité désigne la capacité a comprendre pourquoi un modèle fait une prediction spécifique. Elle est critique dans les domaines reglementes (credit, assurance, justice — RGPD oblige a expliquer les décisions automatisées) et pour debugger les biais du modèle.
SHAP (SHapley Additive exPlanations, Lundberg & Lee 2017) est la méthode dominante : elle quantifie la contribution de chaque feature a une prediction spécifique en s'appuyant sur la théorie des jeux (valeurs de Shapley). SHAP fonctionne pour n'importe quel modèle (boite noire ou non) et produit des explications locales (pour une prediction spécifique) et globales (importance des features sur l'ensemble du dataset). LIME (Local Interprétable Model-agnostic Explanations) est une alternative qui approxime localement le comportement du modèle par un modèle simple interprétable.
L'overfitting survient quand le modèle memorise le bruit du jeu d'entraînement au lieu d'apprendre des patterns generalisables. Symptome : performances excellentes sur le train set (accuracy 99%), mediocres sur le test set (accuracy 72%). Remedes par ordre d'efficacité : (1) Plus de données d'entraînement. (2) Simplifier le modèle (moins de couches, profondeur max d'arbre plus petite). (3) Régularisation L1/L2 ou dropout. (4) Data augmentation. (5) Validation croisée pour détecter l'overfitting plus tot.
Comment evaluer un modèle ML
Le choix des métriques d'évaluation est aussi important que le choix de l'algorithme. Une métrique mal choisie conduit a déployer un modèle qui performe bien sur le papier mais echoue sur le vrai problème métier.
Métriques de classification : au-dela de la précision
La précision (accuracy) est trompeuse sur des jeux déséquilibrés : un modèle predisant toujours 'negatif' atteint 99 % d'accuracy si seulement 1 % des cas sont positifs — le modèle est inutile mais ses statistiques semblent bonnes. Les métriques complémentaires : précision (parmi les positifs predits, combien sont vraiment positifs — minimise les faux positifs), rappel/recall (parmi les vrais positifs, combien sont detectes — minimise les faux negatifs, critique en détection de fraude ou de maladie), F1-score (moyenne harmonique précision-recall, équilibre les deux).
La courbe ROC (Receiver Operating Characteristic) trace le taux de vrais positifs en fonction du taux de faux positifs a tous les seuils de décision. L'AUC (Area Under the Curve) en est le résume scalaire : 0.5 est aleatoire, 1.0 est parfait. La courbe Précision-Recall (PR curve) et son AUC (AP — Average Précision) sont preferables pour les problèmes très déséquilibrés car elles sont moins sensibles aux vrais negatifs dominants.
Métriques de régression : MAE, RMSE, R²
Pour la régression, le MAE (Mean Absolute Error) mesure l'erreur moyenne en valeur absolue — facile a interpréter (en euros, en degrés), robuste aux outliers. Le MSE (Mean Squared Error) pénalise davantage les grandes erreurs (utile si les outliers sont couteux — par exemple, erreur de 100 euros > 10 x erreur de 10 euros). Le RMSE (Root MSE) est la racine carrée du MSE, dans la même unite que la variable cible — souvent prefere pour sa lisibilite.
Le R² (coefficient de determination, entre 0 et 1) mesure la proportion de variance expliquée par le modèle par rapport a un modèle qui predit toujours la moyenne. Un R² de 0.85 signifie que le modèle explique 85 % de la variabilite des données, les 15 % restants étant du bruit ou des facteurs non inclus. Le R² peut être negatif si le modèle est pire que la moyenne.
Validation croisée et robustesse de l'évaluation
La validation croisée k-fold divise les données en k partitions, entraine k modèles (chacun excluant une partition) et moyenne les scores. Elle donne une estimation plus robuste des performances réelles qu'une simple separation train/test, surtout sur des jeux de données de taille modérée. Valeurs typiques de k : 5 ou 10. La variante stratified k-fold préserve la proportion des classes dans chaque fold — essentielle pour les datasets déséquilibrés.
Pour les séries temporelles, la validation croisée doit imperativement respecter l'ordre chronologique (TimeSeriesSplit dans scikit-learn, ou WalkForward Validation) : le fold de test doit toujours être postérieur au fold d'entraînement. Melanger des données de périodes differentes sans respect de l'ordre temporel créé un look-ahead bias — le modèle voit le futur pendant l'entraînement, produisant des métriques artificiellement bonnes.
La matrice de confusion décompose les predictions en 4 catégories : vrais positifs (TP), vrais negatifs (TN), faux positifs (FP — fausse alarme) et faux negatifs (FN — cas manques). Précision = TP/(TP+FP). Recall = TP/(TP+FN). Selon le contexte métier, les erreurs n'ont pas le même coût : pour la détection de cancer, un FN (maladie manquée) est bien plus grave qu'un FP (fausse alerte avec examen supplémentaire) — on optimise donc le recall au detriment de la précision.
Outils, écosystème Python et quand utiliser ML
Le machine learning en pratique s'appuie sur un écosystème Python mature et un choix entre l'open-source et les plateformes cloud managées.
L'écosystème Python ML
scikit-learn est la librairie de référence pour le ML classique (régression, classification, clustering, preprocessing, métriques) — API uniforme, excellente documentation, facilement integrable. XGBoost et LightGBM sont les librairies dominantes pour le gradient boosting sur données tabulaires. PyTorch (Meta) et TensorFlow/Keras (Google) sont les frameworks deep learning — PyTorch domine la recherche (eager exécution, debuggabilite), TensorFlow/Keras la production historiquement (mais PyTorch a gagne le terrain en 2023-2025).
Hugging Face Transformers est devenu incontournable pour le NLP : accès a des milliers de modèles pre-entraines (BERT, GPT-2, LLaMA, Mistral) avec une API unifiée pour le fine-tuning et l'inference. Pandas et NumPy pour la manipulation de données. Matplotlib, Seaborn et Plotly pour la visualisation. MLflow pour le tracking d'experiences et le model registry. La plupart des projets ML en production combinent scikit-learn (preprocessing), XGBoost ou LightGBM (modèle) et MLflow (tracking).
Quand utiliser ML vs système base sur des règles
Le ML n'est pas toujours la bonne solution. Il se justifie quand : (1) le problème est trop complexe pour des règles manuelles (la reconnaissance vocale nécessite des milliers de règles phonologiques impossibles a maintenir), (2) les patterns évoluent dans le temps (les comportements de fraude changent constamment — un modèle peut être retraine), (3) les données historiques labelisées sont abondantes et représentative.
Un système base sur des règles est préférable quand : les règles sont stables, peu nombreuses et explicitement connues (validation d'un formulaire, contrôle de format), l'interprétabilité totale est requise par la réglementation (décisions judiciaires), les données labelisées sont insuffisantes, ou la latence est critique et les ressources computationnelles limitées. La règle empirique : toujours commencer par un système de règles simple, mesurer ses limites, puis introduire le ML pour les cas ou les règles echouent.
Depuis sa publication par Chen & Guestrin (KDD 2016), XGBoost s'est impose comme l'algorithme dominant sur les données tabulaires structurées. Sa puissance vient de la combinaison : gradient boosting avec régularisation L1/L2 (évite l'overfitting), gestion native des valeurs manquantes, support GPU, et optimisations algorithmiques (approximate tree learning, cache-aware access). Sur Kaggle, la majorite des victoires sur données tabulaires entre 2015 et 2022 utilisaient XGBoost ou LightGBM. L'avenement des transformeurs sur données tabulaires (TabNet, FT-Transformer) n'a pas encore remis en cause cette domination en production.
Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. KDD 2016.Memoriser le machine learning avec la répétition espacée
Le machine learning est un domaine dense : vocabulaire technique (overfitting, gradient boosting, AUC-ROC, SHAP), distinctions algorithmiques fines (Random Forest vs XGBoost, précision vs recall, MAE vs RMSE), et pieges classiques (data leakage, look-ahead bias, déséquilibre de classes). La répétition espacée est la méthode scientifiquement la plus efficace pour ancrer ces concepts durablement.
memia propose des decks de flashcards sur les fondamentaux du ML, les algorithmes, l'évaluation de modèles, l'interprétabilité et le pipeline de production. Chaque carte est générée et validée par IA, avec des hints et des mnemoniques pour accélérer la memorisation. En 10 minutes par jour, les concepts clés deviennent des reflexes — indispensable avant un entretien ML Engineer ou Data Scientist.
Les questions recurrentes en entretien Data Scientist et ML Engineer : (1) Différence précision vs recall, et quel optimiser selon le contexte. (2) Comment détecter et remedier a l'overfitting. (3) Pourquoi XGBoost est robuste sur les données tabulaires. (4) Qu'est-ce que le data leakage et comment l'éviter. (5) Quand utiliser AUC-ROC vs PR curve. (6) Qu'est-ce que SHAP et comment l'interpréter. (7) Différence apprentissage supervise vs non supervise avec exemples concrets.
Approfondir le cluster Data & IA
Questions fréquentes sur le machine learning
Quelle est la différence entre machine learning et intelligence artificielle ?
L'intelligence artificielle est le domaine general visant a creer des systèmes intelligents. Le machine learning en est un sous-ensemble qui apprend des patterns a partir de données plutot que de suivre des règles programmées explicitement. Tout ML est de l'IA, mais toute IA n'est pas du ML — les systèmes experts, la planification formelle et la logique symbolique sont de l'IA sans être du ML.
Quelle est la différence entre machine learning et deep learning ?
Le deep learning est un sous-ensemble du machine learning utilisant des réseaux de neurones artificiels a plusieurs couches cachées. Il excelle sur les données non structurées (images, texte, audio) avec de grands volumes de données, mais nécessite GPU, experts et budget significatif. Le ML classique (régression, XGBoost, SVM) reste souvent supérieur sur les données tabulaires structurées et est plus interprétable et moins gourmand en ressources.
Faut-il savoir programmer pour faire du machine learning ?
Python est le langage dominant avec scikit-learn, PyTorch et XGBoost. Des notions de statistiques et d'algebre lineaire sont utiles. Des outils no-code comme Google AutoML, DataRobot ou H2O AutoML permettent de construire des modèles sans code, mais comprendre les fondamentaux reste nécessaire pour interpeter les résultats et éviter les pieges (data leakage, overfitting).
Combien de données faut-il pour entrainer un modèle ML ?
Cela depend de la complexité du problème. Une régression logistique fonctionne avec quelques centaines d'exemples ; XGBoost nécessite quelques milliers pour être performant ; un réseau de neurones profond en requiert des millions. Le transfert learning (partir d'un modèle pre-entraine) réduit dramatiquement ce besoin. La qualité prime sur la quantité : 10 000 exemples bien labelises valent mieux que 1 million de données bruitées.
Qu'est-ce que l'overfitting et comment l'éviter ?
L'overfitting survient quand un modèle memorise le bruit du jeu d'entraînement au lieu d'apprendre des patterns generalisables. Symptome : excellentes performances train (accuracy 99%) mais mediocres test (accuracy 72%). Remedes : (1) Plus de données. (2) Simplifier le modèle. (3) Régularisation L1/L2 ou dropout. (4) Validation croisée pour détecter l'overfitting tot.
Quelle est la différence entre précision et recall ?
Précision = parmi les predictions positives, combien sont correctes ? (minimise les faux positifs — spam envoye a la corbeille a tort). Recall = parmi les vrais cas positifs, combien sont detectes ? (minimise les faux negatifs — cancer non détecte). Le F1-score est leur moyenne harmonique. Le choix depends du coût métier des erreurs : pour la détection de maladie grave, un faux negatif est bien plus couteux qu'un faux positif — on optimise le recall.
Quel algorithme ML choisir pour mon problème ?
Pour les données tabulaires : commencer par régression logistique/lineaire (baseline interprétable), puis XGBoost ou LightGBM (performance). Pour les images : CNN ou vision transformers. Pour le texte : transformers BERT/RoBERTa ou fine-tuning d'un LLM. La règle generale : privilégier la simplicite et l'interprétabilité quand les contraintes métier l'exigent (credit, sante, justice), la performance brute sinon.
C'est quoi le deep learning et quand l'utiliser ?
Le deep learning utilise des réseaux de neurones a plusieurs couches cachées. Il excelle sur les données non structurées (images, son, texte) et avec de grands volumes de données. Il est moins adapte aux données tabulaires classiques (ou XGBoost domine souvent), nécessite plus de ressources (GPU) et est moins interprétable. Le transfert learning (partir d'un modèle fondational pre-entraine) a rendu le deep learning accessible avec moins de données.
Qu'est-ce que SHAP et pourquoi c'est important ?
SHAP (SHapley Additive exPlanations) quantifie la contribution de chaque feature a une prediction spécifique en s'appuyant sur la théorie des jeux (valeurs de Shapley). Il fonctionne pour n'importe quel modèle (boite noire ou non) et produit des explications locales (pourquoi cette prediction pour cet individu) et globales (quelles features sont les plus importantes en general). SHAP est indispensable dans les domaines reglementes et pour debugger les biais d'un modèle.
Comment evaluer si mon modèle est bon ?
Choisissez des métriques alignées avec l'objectif métier : F1-score ou AUC-ROC pour la classification sur classes déséquilibrées, RMSE ou MAE pour la régression. Comparez au baseline simple (predire la classe majoritaire ou la moyenne). Testez sur des données réellement inedites. Evaluez les performances par segment (groupes demographiques, périodes temporelles) pour détecter des biais ou des degradations localisées.