Qu’est-ce que l’apprentissage supervisé ?

​​​​​​​​​​​​​​​​​​​​​​​​​​ De nos jours, le machine learning est un sujet grandissant et en vogue. Celui-ci correspond à une branche de l’intelligence artificielle, qui utilise des données, des algorithmes, des probabilités et des statistiques pour permettre aux ordinateurs d’apprendre par eux-mêmes, sans calculs explicites. Nous pouvons considérer le machine learning comme une méthode pour enseigner aux ordinateurs à apprendre. Il existe trois catégories de machine learning : l’apprentissage supervisé, l’apprentissage non-supervisé et l’apprentissage par renforcement. Dans cet article, nous allons nous focaliser sur qu’est-ce que l’apprentissage supervisé, et plus spécifiquement sur la méthode de regression.​​​​​​​​​​​​

​​​​​​​Qu’est-ce que l’apprentissage supervisé ?

L’apprentissage supervisé est une méthode d’apprentissage automatique, caractérisée par la création d’un algorithme qui apprend une fonction prédictive. Ceci est possible grâce à un entrainement à partir d’exemples annotés, qui inclus un groupe de variables d’entrée, accompagnées de leurs variables de sortie respectives. Ce processus d’entrainement est répété jusqu’à l’obtention d’une performance satisfaisante. Lors de chaque itération, la machine crée un certain nombre de règles, reliant les variables d’entrée aux variables de sortie. Ce processus permet au modèle d’apprendre à partir des données et d’appliquer les règles afin prédire, de façon précise, la valeur de sortie lorsqu’une valeur d’entrée est donnée.

L’apprentissage supervisé peut être divisé en deux sous-catégories : la classification et la régression. Nous allons maintenant nous concentrer sur cette dernière. Pour plus d’information sur les modèles de régression, la classification ainsi que l’utilisation de ces techniques par Linedata, veuillez consulter les prochains articles.

Régression

Contrairement à la classification qui prédit une catégorie ou une étiquette, les modèles de régression prédisent une valeur de sortie continue, en fonction de la variable indépendante d’entrée. Cette technique est utilisée lorsque la variable de sortie à prédire doit être une valeur continue, soit par exemple pour les prédictions météorologiques ou pour les tendances de marché. Différents modèles de régression existent et diffèrent dépendant de la relation entre le variable dépendante et indépendante considérées, ainsi que du nombre de variables indépendantes utilisées pour le modèle. Parmi les principaux modèles de regression, on trouve la régression linéaire simple et multiple, la régression de Poisson et la régression à vecteurs de support (ou Support Vector Regression, SVR).

Ainsi, l’analyse de régression est une forme de statistique inférentielle, utilisée pour identifier des tendances au sein des données. Il existe différents algorithmes de régression, partageant le même but qui est de déterminer une valeur de sortie continue en fonction d’une variable d’entrée indépendante.

Un cas d’usage de l’apprentissage supervisé

​​​​​​​De surcroît, les algorithmes d’apprentissage supervisé prennent le relais dans plusieurs processus du secteur bancaire, qui étaient, par avant, manuels. Par exemple, les data scientists et les ingénieurs chez Bank of America ont créé le Predictive Intelligence Analytics Machine (PRIAM), un système d’ IA prédictive qui utilise un réseau d’algorithmes d’apprentissage supervisé. PRIAM permet de comprendre la tendance relationnelle entre les offres des marchés financiers et les investisseurs. Ce système permet également de maximiser la demande des transactions des marchés financiers, en prédisant les meilleurs investisseurs potentiels pour une transactions, dépendant des détails de l’offres, de l’historique des transactions, des échanges et des informations du client.

Pour plus d’informations, veuillez consulter l’article « Bank of America brings AI to equity capital markets » du 2 mars 2020.

Nous espérons que cet article vous aura fournis des informations contextuelles sur le sujet de l’apprentissage supervisé et sa catégorie de régression. Dans l’article suivant, nous explorerons les principaux algorithmes utilisés pour la régression supervisée ainsi que un exemple de cas d’usage chez Linedata.