Machine Learning applications : 10 cas d’usage pratiques

By | 29 août 2017
0 Flares Twitter 0 LinkedIn 0 Reddit 0 Google+ 0 Filament.io 0 Flares ×

Machine Learning est un mot en vogue ces derniers temps. En réalité, pour avoir une meilleure intuition sur ce concept, il n’y a pas mieux que de comprendre les types de problèmes que l’apprentissage automatique tente de résoudre.

Cet article énuméra 10 applications du Machine Learning les plus communes. Non seulement ces cas d’usages vous donneront une idée sur les problématiques traitées par le Machine Learning, mais également vous donneront une bonne idée sur les types et formats de données utilisées pour résoudre ce genre de problèmes.

Machine Learning applications

Machine Learning applications

Machine Learning : applications et cas d’usage

Les cas d’usages du Machine Learning sont nombreux dans la vie réelle. Généralement, ces algorithmes sont le noyau d’une application web ou mobile. Ce noyau est vraisemblablement la partie la plus “compliquée” de l’application. Pensez à la complexité de l’assistant vocal Siri d’Apple ou encore aux sections de recommandations de produits d’Amazon. Tous ces outils sont des applications du Machine Learning.

Voici 10 exemples de problématiques d’apprentissage automatique pour mieux appréhender en quoi consiste vraiment le Machine Learning.

Prédiction des prix

L’algorithme va estimer la valeur de quelque chose (le prix d’une maison, ou les gains espérés d’une boutique …)  en fonction des observations précédentes. Par exemple, estimer le prix d’une maison en fonction de sa superficie, sa localisation, possibilité de Parking ou non etc… Ces estimations sont faites en observant d’autres produits similaires pour en tirer des conclusions.

Détection des  SPAM

L’algorithme analysera la composition d’un mail. Notamment, le contenu de ce dernier, ainsi que le nombre d’occurrences des mots le constituant, etc…, A la suite de cette analyse, l’algorithme décidera si un mail est un SPAM ou non. Vous pouvez implémenter votre premier filtre Anti SPAM en suivant cet article.

Diagnostique médical 

En se basant sur les données médicales d’un patient, l’algorithme peut diagnostiquer si le sujet est atteint d’une maladie donnée. Parfois, ces algorithmes peuvent alerter d’un incident grave de santé avant que cela n’arrive, notamment pour les crises cardiaques.

Recommandation de produits

Ce type de système se base sur les historiques d’achats, les recherches faites en ligne (Tracking Web) par un internaute pour lui recommander des produits qui pourront l’intéresser. Les recommandations de Netflix pour les films se basent sur ce système. Pour Amazon, cette fonctionnalité est critique car elle est au cœur de l’augmentation des volumes de vente et par conséquent des gains de la société.

recommander system machine learning

Détection de fraude

Ces algorithmes peuvent détecter des comportements frauduleux et anormaux. L’usage le plus connu de cette technique est de détecter les fraudes financières. Il est improbable qu’un propriétaire d’une carte bancaire en France qui dépense 1500€ par mois, dépense d’un coup 10.000€ en Slovaquie (pays donné au hasard). L’algorithme signalera qu’il s’agit potentiellement d’une fraude.

Regroupement d’items

Ce type de technique sert notamment pour l’application Iphoto d’Apple pour regrouper les images en fonction des gens qui s’y retrouvent. Généralement, les données n’ont pas d’étiquettes, et l’algorithme tentera de retrouver des items similaires et les regroupera dans un même groupe.

Cyber-sécurité

L’accroissement du nombre et de la complexité des malwares ne font qu’augmenter de jour en jour. Certaines entreprises notamment DeepInstinct, se base sur le Deep Learning (Une branche du Machine Learning) pour offrir une solution de cyber-défense. La solution de DeepInstinct se base sur la reconnaissance des routines d’appels (l’activité d’un programme) pour décider s’il s’agit d’un programme malicieux ou non.

Reconnaissance vocale

La reconnaissance vocale est à la base de systèmes comme Siri ou Alexa (assistant virtuel d’Amazon). Ces algorithmes vont extraire la voix et les mots et les traduire sous forme de texte.  

Chat Bots

Les agents conversationnels se basent sur le NLP (Natural Language Processing / Traitement Naturel des langues) pour traduire les phrases qu’on écrit “naturellement” en des “intentions”.  Ces intentions sont utilisées par les Chat Bots répondre au mieux aux requêtes d’un internaute. Les agents conversationnels sont utiles sur les sites e-commerce et leurs divisions SAV car ils offrent une sensation de proximité à la clientèle.

Conduite autonome

En apprenant le comportement de conduite des humains, les algorithmes de Deep Learning avec l’apprentissage par renforcement (reinforcement learning) permettent d’apprendre des tâches complexes comme la conduite.

 

Types des algorithmes du Machine Learning

A voir cette liste ci-dessus, on voit que certaines problématiques se ressemblent. Ce sont les données du problème qu’on cherche à résoudre qui changeront. Quant à l’algorithme d’apprentissage, il reste générique.

Il existe trois grandes familles d’algorithmes en machine learning :

  • Régression : Ce type d’algorithmes supervisés va trouver une valeur continue (un nombre réel) qui est la prédiction de la valeur d’une nouvelle observation donnée. Pensez à la prédiction de prix de maison en fonction de ses caractéristiques.
  • Classification : Ces algorithmes vont classifier une donnée dans une catégorie. Par exemple classifier un mail en Spam ou non, décider si une tumeur est maligne ou bénigne. Il s’agit également d’un algorithme supervisé.
  • Clustering : Il s’agit d’une famille d’algorithmes non supervisés. Par conséquent, les données n’ont pas d’étiquettes (Non-labeled Data). L’algorithme va regrouper les données par similarité. Par exemple, on fournit un ensemble de photos d’animaux (sans qu’on dise de quels animaux il s’agit). L’algorithme va regrouper les photos de chats ensemble et celle des chiens ensemble etc…

 

Nous venons de voir quels problèmes peuvent être résolus par le Machine Learning. Retenez juste que quand votre solution à un problème ne peut être modélisée que par les données qui le définissent, c’est qu’il faut utiliser les techniques d’apprentissage automatique.

Par ailleurs, nous venons de voir les trois grandes familles de catégories du Machine Learning ( Clustering, Regression, et Clustering). Désormais, vous saurez plus intuitivement de quelle catégorie il s’agit quand vous êtes confrontés à un problème d’apprentissage automatique.

Si vous connaissez d’autres applications de ces techniques dans la vraie vie, n’hésitez pas à les partager dans un commentaire.

Inscrivez-vous à la Newsletter
Rejoignez la communauté Mr mint, le blog Français dédié à la Data Science et recevez des contenus exclusifs et d'autres goodies !
Nous détestons les spams. Votre adresse e-mail ne sera pas vendue ou partagée avec quelqu'un d'autre.
0 Flares Twitter 0 LinkedIn 0 Reddit 0 Google+ 0 Filament.io 0 Flares ×