🧠 Des classiques aux réseaux de neurones #MLSTART

Lorsque l'on acquiert une compréhension de base des concepts d'apprentissage automatique, on souhaite tout systématiser : quels types de problèmes existent, quels modèles utiliser pour chacun, et comment tout cela est lié.

🔹 Au départ, il convient de se familiariser avec les principaux types de problèmes :

- Classification - lorsqu'il faut déterminer une catégorie (par exemple, spam / non spam).
- Régression - lorsqu'on prédit une valeur numérique (par exemple, le prix d'un appartement).
- Clustering - lorsqu'on a beaucoup de données sans étiquettes et qu'il faut les regrouper.

🔹 Ensuite, il est logique de passer aux modèles clés : linéaires, arbres, ensembles. Il est important non seulement de "connaître les noms", mais aussi de comprendre dans quels cas chacun fonctionne le mieux, comment il apprend, quelles données il accepte en entrée, ainsi que ses forces et faiblesses.

📈 Une fois cette étape franchie, on peut s'orienter sereinement vers les réseaux de neurones.

C'est là que les choses deviennent intéressantes : comment un réseau est construit, comment il apprend, quelles architectures existent, et pourquoi les transformeurs sont devenus si populaires.

💡 En réalité, les réseaux de neurones ne sont pas "quelque chose de séparé", mais simplement une continuation logique des algorithmes de base de l'apprentissage automatique.

Cette transition progressive, des classiques aux architectures modernes, aide à ne pas se perdre et à aborder consciemment le sujet suivant : les LLM (Grands modèles de langage).

Retour à la table des matières

👩‍💻 Data Flow