Machine Learning : définition, types d'apprentissage et exemple

En programmation classique, un développeur écrit des règles : « si le montant dépasse 5 000 euros et que le pays est inhabituel, alors bloquer la transaction ». En machine learning, on fournit à un algorithme des milliers de transactions déjà qualifiées (frauduleuses ou non), et c'est lui qui déduit les combinaisons de critères qui distinguent les unes des autres. Le résultat de cet apprentissage s'appelle un modèle.

L'expression a été popularisée en 1959 par Arthur Samuel, chercheur chez IBM, à propos d'un programme de jeu de dames qui progressait en jouant contre lui-même. Tom Mitchell en a donné en 1997 une définition devenue classique : un programme apprend d'une expérience E pour une tâche T, selon une mesure de performance P, si sa performance sur T, mesurée par P, s'améliore avec l'expérience E.

Le machine learning occupe une place intermédiaire dans une série d'ensembles emboîtés : il est une branche de l'intelligence artificielle, dont le deep learning est une sous-famille fondée sur les réseaux de neurones profonds, elle-même à l'origine de l'IA générative. Cette fiche se concentre sur le principe général de l'apprentissage et sur les modèles dits classiques (régressions, arbres, forêts aléatoires, boosting), qui restent la norme sur les données tabulaires.

À retenir : un modèle de machine learning n'est pas programmé, il est entraîné. Sa qualité dépend d'abord des données qu'on lui fournit et de la façon dont on mesure sa performance.

On classe les méthodes de machine learning selon la nature des données disponibles et du signal qui guide l'apprentissage.

Apprentissage supervisé

Chaque exemple d'entraînement est associé à la bonne réponse, appelée étiquette ou label. Le modèle apprend à prédire cette étiquette à partir des autres variables. On parle de classification quand la réponse est une catégorie (spam ou non, client qui résilie ou non) et de régression quand c'est une valeur numérique (prix d'un bien, délai de livraison). C'est le cas le plus fréquent en entreprise, détaillé dans notre article sur l'apprentissage supervisé.

Apprentissage non supervisé

Les données ne comportent pas d'étiquette. L'algorithme cherche une structure : regrouper des individus similaires (clustering, avec par exemple l'algorithme k-means), réduire le nombre de dimensions pour visualiser ou compresser l'information, ou repérer des observations anormales.

Apprentissage par renforcement

Un agent interagit avec un environnement, reçoit des récompenses ou des pénalités, et apprend progressivement la stratégie qui maximise ses gains. Cette approche a permis des performances spectaculaires dans les jeux et la robotique, et elle sert aujourd'hui à aligner les grands modèles de langage sur les préférences humaines, avec le RLHF.

Entre ces familles, on trouve des variantes : l'apprentissage semi-supervisé, qui combine peu d'exemples étiquetés et beaucoup de données brutes, et l'apprentissage auto-supervisé, où les étiquettes sont tirées des données elles-mêmes. C'est ce dernier qui permet d'entraîner les modèles de langage sur d'immenses corpus de textes.

Un opérateur souhaite identifier chaque mois les abonnés susceptibles de résilier, pour leur proposer une offre adaptée. Il dispose d'un historique de clients avec leurs caractéristiques et une colonne resilie (1 si le client est parti, 0 sinon). C'est un problème de classification supervisée.

import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder

df = pd.read_csv("clients.csv")
X = df.drop(columns=["resilie"])
y = df["resilie"]

numeriques = ["anciennete_mois", "montant_mensuel", "appels_support"]
categorielles = ["type_contrat", "mode_paiement"]

preparation = ColumnTransformer([
    ("num", "passthrough", numeriques),
    ("cat", OneHotEncoder(handle_unknown="ignore"), categorielles),
])

modele = Pipeline([
    ("preparation", preparation),
    ("classifieur", RandomForestClassifier(
        n_estimators=300, class_weight="balanced", random_state=42
    )),
])

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)
modele.fit(X_train, y_train)
print(classification_report(y_test, modele.predict(X_test)))

# Probabilité de résiliation pour les clients actuels
actifs = pd.read_csv("clients_actifs.csv")
actifs["risque"] = modele.predict_proba(actifs[numeriques + categorielles])[:, 1]

Le code suit le cycle décrit plus haut : les variables catégorielles sont encodées, une forêt aléatoire est entraînée sur 80 % de l'historique, puis évaluée sur les 20 % restants. Le paramètre class_weight="balanced" compense le fait que les résiliations sont minoritaires. Regrouper préparation et modèle dans un même Pipeline garantit que les nouvelles données subissent exactement les mêmes transformations, un point détaillé dans notre article sur les pipelines de scikit-learn.

Le rapport de classification affiche la précision et le rappel. Pour cet usage, le rappel sur la classe « résilie » est souvent prioritaire : mieux vaut contacter quelques clients fidèles de trop que manquer ceux qui s'apprêtent à partir.

Les deux approches ne s'opposent pas : un système en production combine presque toujours des règles explicites et un ou plusieurs modèles. Elles répondent cependant à des logiques très différentes.

Le changement de logique a des conséquences concrètes : un modèle se valide par des métriques et non par des tests binaires, et il peut se dégrader sans qu'aucune ligne de code ne change, simplement parce que les données évoluent. D'où l'importance de prévenir le surapprentissage avant la mise en production, puis de surveiller la dérive des données une fois le modèle déployé.