Machine learning expliqué simplement avec des exemples concrets

Un jour, un stagiaire m'a posé la question qui tue : « Concrètement, c'est quoi le machine learning ? » J'ai commencé à lui parler d'algorithmes, de fonctions de coût, de descente de gradient. Au bout de deux minutes, son regard s'était éteint. Et il avait raison. Je lui racontais la mécanique avant de lui avoir montré le problème que cette mécanique résout.

Reprenons dans l'ordre. Le machine learning, c'est la façon de faire apprendre une règle à un programme en lui montrant des exemples, plutôt qu'en la lui écrivant à la main. C'est tout. Un filtre anti-spam qui repère un courriel frauduleux sans qu'aucun humain n'ait listé « arnaque = mot-clé X + expéditeur Y » : c'est ça. Il a vu des milliers de messages étiquetés, il en a déduit le motif.

La différence avec un programme classique tient en une phrase. Un programme classique exécute des règles qu'un développeur a codées. Un modèle entraîné devin la règle à partir des données. Vous lui donnez les questions et les réponses, il retrouve la formule.

Une définition simple, et pourquoi ça compte

« Apprendre », ici, n'a rien de magique. Un modèle, c'est une fonction mathématique avec des paramètres ajustables. Au départ, ces paramètres sont posés au hasard, et le modèle se trompe lamentablement. On lui présente un exemple dont on connaît la bonne réponse, il propose la sienne, on mesure l'écart, on corrige légèrement les paramètres. On répète. Des milliers, des millions de fois.

Prenons une image que j'utilise à chaque fois qu'on me demande une définition simple du machine learning. Un enfant apprend à reconnaître un chien. Vous ne lui récitez pas une liste de critères du genre « pattes = 4, museau allongé, aboie ». Vous lui montrez des chiens. Il se trompe d'abord sur les chats. Vous corrigez. Au bout de quelques dizaines d'exemples, il ne se trompe plus. Personne n'a jamais codé la définition du chien dans son cerveau.

Le point qui bloque presque tout le monde

Un modèle ne voit pas des images, ni du texte, ni des appartements. Il voit des nombres. Une photo, c'est une grille de valeurs de pixels. Un courriel, c'est un sac de mots convertis en fréquences. Un bien immobilier, c'est une liste : surface, arrondissement, étage, année de construction. Tout le travail de terrain consiste à transformer le réel en tableaux de chiffres exploitables. Et cette étape, franchement, prend plus de temps que le choix de l'algorithme.

Les trois types, avec un exemple pour chacun

On lit partout que le machine learning se découpe en trois familles. Rarement avec un cas déroulé. Regardons ce que ça donne réellement.

Apprentissage supervisé : quand vous avez les réponses

Vous disposez d'exemples déjà étiquetés. Les données d'entrée, la réponse connue. Le modèle cherche la relation entre les deux.

Cas concret que j'ai manipulé sur un projet de gestion locative. Nous voulions estimer le loyer d'un logement à partir de ses caractéristiques. La table d'entraînement contenait 4 000 lignes : surface, quartier, nombre de pièces, étage, présence d'un balcon, et le loyer réellement pratiqué. Le modèle a appris une règle du type « chaque mètre carré supplémentaire dans ce quartier ajoute tant d'euros, un étage élevé retire tant ». À la fin, on lui donnait les caractéristiques d'un bien inconnu, il sortait un montant. Notre erreur moyenne tournait autour de 6 % sur les biens de test.

Deux variantes selon ce qu'on prédit : une valeur chiffrée (régression) ou une catégorie (classification). Spam ou pas spam, c'est de la classification. Un loyer, c'est de la régression.

Apprentissage non supervisé : quand personne n'a étiqueté

Pas de réponse connue. On demande au modèle de trouver des regroupements tout seul, dans la masse.

Un exemple que tout le monde connaît sans le savoir : le regroupement de clients. Une enseigne en ligne dispose de millions de commandes brutes, sans étiquette. Un algorithme de partitionnement finit par faire émerger des groupes cohérents — les gros acheteurs du week-end, les petits paniers réguliers du mardi, les acheteurs d'une seule catégorie de produits. Personne n'a écrit « voici les trois profils de nos clients ». Le modèle les a dégagés des données. Charge ensuite à l'équipe marketing d'interpréter ces groupes et de décider quoi en faire.

Ça marche. Mais soyons clairs : les groupes obtenus ne sont pas toujours exploitables. J'ai déjà vu un algorithme produire quatre segments dont trois se ressemblaient tellement qu'on ne savait pas quoi en tirer. Résultat : trois semaines pour rien.

Apprentissage par renforcement : essayer, rater, recommencer

Un agent agit dans un environnement, reçoit une récompense ou une pénalité, et ajuste sa stratégie. Pas de jeu de données étiqueté, juste une boucle d'essais. C'est le principe derrière les programmes qui jouent aux échecs, ou derrière l'optimisation d'un système qui doit prendre une décision à chaque instant.

Machine learning et deep learning : où est la frontière ?

Le deep learning est une branche du machine learning, pas son synonyme. Tous les modèles de deep learning appartiennent au machine learning. L'inverse est faux.

La nuance tient à l'architecture. Un modèle classique demande qu'on lui fournisse des variables déjà préparées : l'ingénieur décide que la surface et l'arrondissement sont les bons indicateurs. Un réseau de neurones profond empile des couches de calcul et détermine lui-même les représentations utiles à partir des données brutes. C'est ce qui lui permet de traiter une image pixel par pixel, ou un texte mot par mot, sans qu'on ait décrit à l'avance les bons critères.

Critère	Machine learning « classique »	Deep learning
Variables d'entrée	Préparées et choisies à la main	Apprises automatiquement
Volume de données nécessaire	Modéré	Très important
Puissance de calcul	Raisonnable	Élevée, souvent via processeurs graphiques
Lisibilité du résultat	On peut généralement expliquer la décision	Souvent une boîte noire
Exemple typique	Prédire un loyer, filtrer un courriel	Reconnaître un visage, transcrire une voix

Faut-il forcément du deep learning ?

Non, et c'est un réflexe que je vois trop souvent. Sur des données tabulaires classiques — des colonnes de chiffres dans un tableur — un modèle simple bien réglé fait souvent jeu égal avec un réseau profond, pour une fraction du coût. J'ai comparé les deux sur un même jeu de données clients : l'écart de performance était inférieur à un point de pourcentage, alors que le temps d'entraînement passait de quelques minutes à plusieurs heures. Le modèle élaboré n'était pas justifié.

Et le vocabulaire en français ?

« Machine learning » se traduit par apprentissage automatique. Vous verrez les deux. Dans la pratique, la version anglaise reste la plus employée à l'oral, et la version française dans les documents officiels et les cours. Si vous croisez « apprentissage statistique », c'est encore autre chose, plus ancien et centré sur les fondations mathématiques.

Comment ça marche, étape par étape

Toute la mécanique se résume à une boucle. On fait une prédiction, on mesure l'erreur, on corrige. Ce qui change d'un projet à l'autre, c'est la préparation.

1. Rassembler des données et les nettoyer (doublons, valeurs manquantes, formats incohérents).
2. Transformer le réel en nombres exploitables.
3. Séparer les données : une partie pour entraîner, une partie mise de côté pour tester.
4. Entraîner le modèle, c'est-à-dire ajuster les paramètres jusqu'à ce que l'erreur baisse.
5. Évaluer sur les données de test, jamais vues pendant l'entraînement.
6. Déployer, puis surveiller : un modèle se dégrade quand la réalité change.

L'erreur que je vois le plus souvent

Évaluer un modèle sur les données qui ont servi à l'entraîner. Il affiche alors une performance superbe, et se plante en production. Ce n'est pas de la triche volontaire, c'est juste contre-intuitif : un modèle qui a déjà vu la réponse la restitue sans effort. La seule mesure qui compte est celle obtenue sur des exemples qu'il n'a jamais croisés.

Combien de données faut-il ?

Il n'y a pas de seuil universel. Pour une tâche simple et bien cadrée, quelques milliers d'exemples étiquetés suffisent. Pour de la reconnaissance d'images fines ou du traitement de langage, il en faut beaucoup plus. Et une donnée de mauvaise qualité ne se rachète pas par la quantité : mille lignes propres valent mieux que dix mille approximatives.

Peut-on faire du machine learning sans savoir coder ?

Oui, jusqu'à un certain point. Des bibliothèques prêtes à l'emploi et des interfaces sans code permettent d'entraîner un modèle sur un fichier de données en quelques clics. Le savoir-faire qui reste difficile à automatiser n'est pas là. Il est dans le nettoyage des données, le choix des variables pertinentes, et l'interprétation d'un résultat douteux. C'est là que se joue la différence entre un modèle qui tourne en démonstration et un modèle qu'on ose mettre entre les mains d'un client.

La question à retenir n'est jamais « quel algorithme ? ». C'est « ai-je des exemples de ce que je veux prédire, et sont-ils fiables ? ». Si la réponse est non, aucun modèle, aussi profond soit-il, ne vous sauvera.