Introduction à l'apprentissage automatique

📋 Plan du Cours

1. Introduction à l'apprentissage automatique
2. Préparation et analyse des données
3. Apprentissage supervisé régression
4. Apprentissage supervisé classification
5. Arbres de décision et méthodes ensemblistes

📖 1. Introduction à l'apprentissage automatique

🔑 Notions clés & Définitions

• Apprentissage automatique (Machine Learning) : Selon ENIAD-Berkane (2025-2026), c’est la discipline qui consiste à créer des modèles capables d'apprendre à partir de données sans être explicitement programmés. Il s'agit d'automatiser la prise de décision ou la prédiction en utilisant des algorithmes qui ajustent leurs paramètres en fonction des données d'entrée.

• Modèle prédictif : C’est un modèle construit à partir de données d’entraînement, qui permet de faire des prédictions ou des classifications sur de nouvelles données. Il sert à anticiper des résultats futurs ou inconnus en se basant sur des tendances apprises.

• Données d'entraînement : Ensemble de données utilisé pour apprendre ou ajuster un modèle. Ces données contiennent des exemples représentatifs du problème à résoudre, permettant au modèle d’identifier des patterns ou relations.

• Généralisation : Capacité d’un modèle à bien performer sur des données nouvelles, non vues lors de l’entraînement. Elle est essentielle pour que le modèle soit utile dans des situations réelles, en évitant qu’il ne se limite à mémoriser les données d’entraînement.