Machine learning

Le machine learning (apprentissage automatique) est le cœur de l'IA moderne : faire apprendre une machine à partir de données. Cette fiche présente les grandes familles d'algorithmes (en t'appuyant sur tes stats) et les ressources pour pratiquer.

Le lien avec tes statistiques

Bonne nouvelle : tu as déjà rencontré le ML sans le nommer. Ta fiche régression (dans les statistiques) était déjà du machine learning supervisé. Les concepts se recouvrent largement :

• La régression linéaire (prédire une valeur continue) = le premier modèle de ML.
• La régression logistique (prédire une catégorie/probabilité) = un classifieur de base.
• Le surapprentissage, l'évaluation sur données de test, les moindres carrés — tout ça, tu l'as déjà vu.

Le ML, c'est en grande partie de la statistique appliquée à grande échelle avec des outils informatiques. Ton socle stats est donc un vrai atout.

Les grandes tâches du ML

On classe les problèmes de ML par le type de sortie recherchée :

La classification — Prédire une catégorie (une étiquette discrète). Exemples pertinents pour toi : cet email est-il un spam ou non ? Ce trafic réseau est-il malveillant ou légitime ? Ce fichier est-il un malware ? La classification est omniprésente en cybersécurité (détection). Algorithmes classiques : régression logistique, arbres de décision, forêts aléatoires, SVM, k plus proches voisins.

La régression — Prédire une valeur numérique continue. Exemples : le temps de réponse d'un serveur, la charge future, un prix. C'est ta fiche régression.

Le clustering (partitionnement) — Regrouper des données similaires sans étiquettes (non supervisé). Exemple : segmenter des utilisateurs par comportement, ou détecter des anomalies (un point qui n'appartient à aucun cluster). Algorithme emblématique : k-means.

La réduction de dimension — Simplifier des données à nombreuses variables en gardant l'essentiel. L'ACP (PCA) que tu as vue en algèbre linéaire (valeurs propres) en est l'exemple type. Utile pour visualiser, compresser, accélérer.

Quelques algorithmes à connaître

Sans entrer dans les détails, savoir ce qu'ils font aide à s'orienter :

• Arbres de décision — une suite de questions oui/non (comme ton cours sur les arbres en théorie des graphes) menant à une décision. Très interprétables.
• Forêts aléatoires — plein d'arbres de décision combinés ; robustes et performants.
• k plus proches voisins (k-NN) — classe un point selon ses voisins les plus proches (utilise la distance/norme de ton algèbre linéaire).
• SVM (machines à vecteurs de support) — trouvent la frontière optimale entre catégories.
• k-means — le clustering de référence (regroupe autour de k centres).
• Réseaux de neurones — traités dans la fiche deep learning.

Le workflow d'un projet ML

Un projet de ML suit toujours à peu près les mêmes étapes — bon à connaître :

1. Collecter et préparer les données — souvent 80 % du travail réel. Nettoyer, normaliser, gérer les valeurs manquantes. La qualité des données prime sur le choix de l'algorithme.
2. Séparer en jeu d'entraînement et jeu de test (pour évaluer la généralisation).
3. Choisir et entraîner un modèle sur le jeu d'entraînement.
4. Évaluer sur le jeu de test (précision, rappel, etc. — de la statistique).
5. Ajuster (hyperparamètres, autre modèle) et itérer.
6. Déployer et surveiller.

Retiens surtout le point 1 : en pratique, le ML c'est beaucoup de préparation de données, pas seulement des algorithmes brillants.

Évaluer un modèle : au-delà de la précision

Point crucial pour ton profil sécurité, en lien direct avec ta fiche sur Bayes et les faux positifs. La simple « précision » (pourcentage de bonnes réponses) est trompeuse quand les classes sont déséquilibrées. Si 99,9 % du trafic est légitime, un modèle qui dit toujours « légitime » a 99,9 % de précision... mais ne détecte aucune attaque. On utilise donc d'autres mesures : le rappel (quelle proportion des vraies attaques on détecte), la précision au sens technique (parmi les alertes, combien sont justes), le F1-score (compromis des deux). C'est exactement le dilemme faux positifs / faux négatifs vu en probabilités et en inférence statistique — central en détection d'intrusion.

Ressources recommandées

Google Machine Learning Crash Course (developers.google.com/machine-learning/crash-course) — Le meilleur point d'entrée pratique et gratuit. Bien structuré, couvre la descente de gradient, la régression, la classification, les réseaux de neurones, avec des exercices en Google Colab. Régulièrement mis à jour. À faire après les fondations conceptuelles.

Andrew Ng — Machine Learning Specialization (Coursera, audit gratuit) — Le cours de ML le plus célèbre au monde, refondu récemment. Excellente pédagogie, couvre les algorithmes classiques en profondeur. Une référence.

scikit-learn (scikit-learn.org) — LA bibliothèque Python open-source pour le ML classique. Sa documentation contient des tutoriels excellents et tu l'utiliseras en pratique. Parfaite pour tes premiers modèles (elle apparaît déjà dans tes fiches de maths).

Kaggle (kaggle.com) — Plateforme de compétitions et de datasets, avec des notebooks partagés et des mini-cours gratuits (« Kaggle Learn »). Idéal pour pratiquer sur de vraies données et voir comment font les autres.

Made With ML (madewithml.com) — Gratuit, orienté bonnes pratiques et mise en production (MLOps), au-delà des seuls algorithmes.

Ce qu'il faut retenir

• Le ML est en grande partie de la statistique appliquée à grande échelle ; ta fiche régression en faisait déjà partie.
• Grandes tâches : classification (catégorie, ex. spam/malware — clé en sécurité), régression (valeur continue), clustering (regrouper sans étiquettes, non supervisé), réduction de dimension (PCA, tes valeurs propres).
• Algorithmes à situer : arbres de décision, forêts aléatoires, k-NN (distance), SVM, k-means.
• Workflow : la préparation des données est ~80 % du travail ; toujours séparer entraînement/test.
• Évaluer au-delà de la précision : rappel, précision, F1 — car la précision trompe sur classes déséquilibrées (le dilemme faux positifs/négatifs de la détection).
• Meilleures ressources pratiques : Google ML Crash Course (gratuit), Andrew Ng, scikit-learn (la lib Python), Kaggle (pratique).

📝 Tester ses connaissances

1. Quelle tâche de ML consiste à prédire une catégorie discrète, comme « spam ou non spam » ?

2. Pourquoi la simple précision (accuracy) est-elle trompeuse pour évaluer un détecteur d'intrusion ?

3. Quelle étape du workflow ML représente généralement le plus de travail réel ?

4. Quel algorithme de ML classe un point selon ses voisins les plus proches, en s'appuyant sur une notion de distance ?