Apprentissage automatique : les principes de base pour bien débuter

La question qu'on me pose le plus souvent quand j'anime des ateliers, c'est celle-ci : « Est-ce que je peux vraiment m'y mettre sans être ingénieur ? » Et à chaque fois, je réponds la même chose : oui, à condition d'accepter de comprendre trois ou quatre principes avant de lancer la moindre ligne de code. L'apprentissage automatique n'est pas une boîte noire magique. C'est de la statistique appliquée à des données, avec beaucoup d'arithmétique derrière et un vocabulaire qui fait peur pour rien.

Il y a un an, j'ai aidé un comptable de PME à construire son premier modèle de détection de factures suspectes. Il n'avait jamais ouvert un terminal. Trois semaines plus tard, son classifieur tournait sur 4 000 lignes, avec une précision de 87 %. Ce n'était pas spectaculaire, mais c'était mieux que le tri manuel qu'il faisait depuis huit ans. L'apprentissage automatique, ce n'est pas ça : c'est ça.

Apprentissage automatique : la définition qu'on peut vraiment comprendre

Un programme classique fait ce qu'on lui dit. Un programme d'apprentissage automatique fait ce qu'on lui montre. Voilà la distinction en une phrase, et elle tient à peu près partout.

Quand on écrit une fonction qui calcule la TVA, on dicte l'algorithme. Quand on veut reconnaître si une photo contient un chat, on ne sait pas écrire la règle. Aucun être humain n'est capable de formuler « un chat se reconnaît à ceci » de façon assez précise pour être codée. Alors on donne 50 000 photos étiquetées chat / pas chat, et la machine ajuste toute seule une fonction mathématique jusqu'à ce qu'elle se trompe rarement.

Comment le définir à quelqu'un qui n'y connaît rien

La définition la plus honnête que j'aie trouvée, je l'ai empruntée à un chercheur berlinois lors d'une conférence il y a deux ans : « C'est de la régression, mais avec suffisamment de paramètres pour qu'on oublie qu'il y a un humain qui a préparé les données derrière. »

Ce qu'il faut retenir : le rôle du développeur n'est pas d'écrire les règles, mais de préparer les données, de choisir une famille de modèles et de vérifier que le résultat tient debout. Le travail reste très manuel. Franchement, 70 % du temps réel se passe à nettoyer des tableaux, pas à entraîner quoi que ce soit.

Apprentissage automatique ou intelligence artificielle : quelle différence ?

L'IA est la discipline large : faire faire à une machine des choses qui demanderaient de l'intelligence à un humain. L'apprentissage automatique est une méthode parmi d'autres pour y arriver. L'IA contient aussi les systèmes à base de règles, les moteurs de recherche classiques, les systèmes experts des années 80. L'apprentissage automatique, lui, ne fonctionne qu'à partir d'exemples.

Autrement dit : tout apprentissage automatique est de l'IA, mais l'inverse est faux. Ça paraît bête, mais j'ai vu des articles confondre les deux pendant des années.

Les trois familles que tout débutant doit connaître

Il y a une blague récurrente chez les praticiens : quand on ne sait pas dans quelle catégorie ranger un problème, on dit qu'il est « non supervisé ». C'est faux la plupart du temps. Voici les trois paradigmes réels, avec ce qui les distingue concrètement.

Apprentissage supervisé : le cas le plus courant

On dispose de données déjà étiquetées. Chaque exemple arrive avec la bonne réponse. Le modèle apprend à faire correspondre l'entrée à la sortie.

• Classification : prédire une catégorie. Spam ou pas spam. Malade ou pas malade.
• Régression : prédire un nombre. Le prix d'un appartement, le chiffre d'affaires du mois prochain.
• Exemples typiques : détection de fraude bancaire, tri automatique de courriers, estimation d'un score de risque.

Dans mon expérience, 80 à 90 % des projets utiles en entreprise relèvent du supervisé. C'est la porte d'entrée logique, et c'est aussi celle où l'on trouve le plus de tutoriels corrects.

Apprentissage non supervisé : trouver la structure cachée

Pas d'étiquettes. On donne les données brutes, on demande au modèle de repérer des regroupements ou des anomalies tout seul.

Les usages classiques : segmenter une clientèle en profils qui se ressemblent, détecter des transactions atypiques sans savoir d'avance ce qu'est une fraude, réduire un tableau de 400 colonnes à 4 composantes pour visualiser ce qui se passe. Le regroupement k-means et l'analyse en composantes principales sont les deux algorithmes qu'on croise tout le temps.

Ce que personne ne dit : le non supervisé donne souvent des résultats décevants sur des données réelles. Les clusters existent, mais ils ne veulent pas toujours dire quelque chose. J'ai perdu une bonne semaine à essayer de faire parler un résultat k-means qui, en réalité, ne racontait rien.

Apprentissage par renforcement : pour les cas particuliers

Un agent interagit avec un environnement, reçoit des récompenses ou des pénalités, et ajuste sa stratégie. C'est le paradigme des jeux (échecs, Go), de la robotique et de certains systèmes de recommandation dynamiques.

Pour un débutant, c'est rarement le bon point de départ. Les mathématiques derrière sont nettement plus lourdes, et les cas d'usage professionnels sont plus étroits. Vous y viendrez plus tard, si besoin.

Paradigme	Données nécessaires	Objectif	Difficulté pour débuter
Supervisé	Étiquetées	Prédire une catégorie ou un nombre	Accessible
Non supervisé	Brutes	Découvrir des groupes ou des anomalies	Moyenne
Par renforcement	Aucune (on a un environnement)	Apprendre une stratégie d'action	Élevée

Le vocabulaire minimal qu'on aurait dû vous donner dès le premier jour

Les cours universitaires adorent commencer par la descente de gradient. Erreur pédagogique, selon moi. On peut très bien comprendre l'apprentissage automatique pendant des mois sans savoir dériver une fonction. En revanche, sans ces cinq mots, on est perdu dans le moindre article.

Modèle et entraînement

Un modèle est une fonction mathématique avec des paramètres ajustables. L'entraînement est le processus qui consiste à modifier ces paramètres pour que la fonction colle aux exemples fournis. On parle aussi d'apprentissage, c'est la même chose.

Variables (features) et étiquettes (labels)

Les features sont les informations d'entrée : âge, montant, nombre de connexions, longueur du texte. Les labels sont les réponses attendues : « fraude », « non fraude », ou bien un prix en euros. Cette distinction paraît triviale, mais j'ai vu pas mal de gens inverser les deux pendant leurs premières semaines.

Le surapprentissage, l'ennemi numéro un

Un modèle qui apprend trop bien les données d'entraînement devient incapable de généraliser. On appelle ça le surapprentissage, ou overfitting. Il récite ses exemples par cœur au lieu d'avoir compris la règle sous-jacente.

La contre-mesure est ancienne et robuste : on coupe les données en deux blocs. Le premier sert à entraîner, le second (le jeu de test) sert à vérifier sur des exemples jamais vus. Si la performance s'écroule sur le test, c'est raté. Pas de discussion.

Mettre les mains dedans : votre premier modèle en pratique

La théorie c'est bien. Mais l'apprentissage automatique, ça s'apprend en cassant des choses. Voici la démarche que je conseille, et que j'ai appliquée à mon propre projet de prédiction de désabonnements il y a deux ans.

Ce qu'il faut vraiment savoir avant de commencer

• Un peu de Python. Pas besoin d'être développeur. Savoir lire une boucle, comprendre une fonction, manipuler un dictionnaire suffit.
• Les maths du lycée : moyenne, écart-type, notion de probabilité, équation d'une droite. C'est tout.
• La bibliothèque pandas pour manipuler les tableaux. C'est là que vous passerez le plus de temps.
• scikit-learn pour les modèles. Une trentaine de lignes suffisent pour un premier classifieur.

Je vous déconseille de commencer par une formation de machine learning en PDF qui fait 400 pages. Je l'ai fait, j'ai abandonné au chapitre 6. Les tutoriels courts et exécutables valent mieux que les pavés théoriques.

Les cinq étapes d'un premier projet

1. Choisir un problème avec une réponse claire : par exemple, prédire si un client va résilier son abonnement.
2. Rassembler un jeu de données, même petit. 500 lignes suffisent pour apprendre.
3. Nettoyer : valeurs manquantes, doublons, colonnes inutiles. C'est long. C'est ingrat. C'est indispensable.
4. Entraîner un modèle simple (régression logistique, arbre de décision) sur 80 % des données.
5. Évaluer sur les 20 % restants et noter la précision. Si c'est moins bon que le hasard, recommencer.

Sur mon projet de désabonnements, le premier modèle atteignait 62 % de précision. Le hasard était à 50 %. Autrement dit, je n'avais pas grand-chose. Après trois itérations sur les features, je suis monté à 81 %. Pas de magie. Juste du nettoyage et un peu de réflexion sur les données à fournir.

Trois erreurs que je vois chez presque tous les débutants

Première erreur : sauter l'étape du jeu de test. On entraîne et on évalue sur les mêmes données, on obtient 99 % et on se croit génial. Ça ne veut rien dire.

Deuxième erreur : mettre toutes les colonnes disponibles dans le modèle sans réfléchir. Une colonne qui contient l'identifiant du client n'apprend rien d'utile. Une colonne qui contient directement la réponse attendue fait tricher le modèle.

Troisième erreur : vouloir tout de suite un réseau de neurones. Pour 95 % des problèmes tabulaires que je rencontre, une régression logistique ou un gradient boosting fait aussi bien, tourne plus vite et s'explique plus facilement. Le deep learning, c'est pour l'image, le texte et le son. Pas pour un tableau de 30 colonnes.

Ce que je retiens après avoir vu beaucoup de gens débuter

L'apprentissage automatique souffre d'un double malentendu. D'un côté, on le présente comme une discipline magique réservée aux polytechniciens. De l'autre, on promet qu'on peut en faire en cliquant sur trois boutons sans rien comprendre.

Les deux sont faux. C'est une discipline exigeante mais accessible, à condition d'accepter que la première semaine soit consacrée à installer Python et à râler contre des erreurs de format de date. C'est ingrat. C'est formateur. Les gens qui tiennent trois semaines sont rarement ceux qui avaient le meilleur bagage mathématique, ce sont ceux qui ont pris un problème concret qui les intéressait vraiment.

Si vous voulez commencer demain : prenez un fichier CSV que vous avez chez vous, posez-vous une question bête dessus, et essayez d'y répondre avec un modèle simple. Pas de cours PDF, pas de vidéo de six heures. Un fichier, une question, trente lignes de code. Vous en saurez plus en une soirée qu'en un mois de lecture passive.

Et si votre premier modèle est mauvais ? C'est normal. Le mien l'était aussi.