Les Fondations du Machine Learning

Introduction et Régression : Prédire des Valeurs

Le Machine Learning (ML) n'est pas de la magie, c'est des mathématiques appliquées. Dans cette section, nous allons comprendre comment une machine "apprend" à prédire un chiffre (par exemple le prix d'un appartement).

Le Concept de l'Apprentissage Supervisé

Imaginez que vous apprenez à un enfant à reconnaître des fruits. Vous lui montrez une pomme et dites "Pomme". Vous lui montrez une banane et dites "Banane".

• Données (X) : L'image du fruit.
• Étiquette (y) : Le nom du fruit.
• But : Quand l'enfant voit un nouveau fruit sans étiquette, il devine le nom.

C'est l'essence de l'apprentissage supervisé : apprendre une fonction qui mappe X vers y.

La Régression Linéaire

C'est l'algorithme le plus simple pour prédire une valeur continue. Il cherche à tracer la "meilleure droite" qui passe à travers vos données.

Voici comment le processus fonctionne :

Micro-Exercice : Votre Première Prédiction

Nous allons utiliser scikit-learn, la bibliothèque standard en Python.

Objectif : Prédire le salaire en fonction des années d'expérience.

import numpy as np
from sklearn.linear_model import LinearRegression

# 1. Données (X=Années, y=Salaire)
X = np.array([[1], [2], [3], [4]])
y = np.array([25000, 35000, 45000, 55000])

# 2. Création et entraînement du modèle
model = LinearRegression()
model.fit(X, y)

# 3. Prédiction pour 5 ans d'expérience
prediction = model.predict([[5]])

print(f"Salaire prédit pour 5 ans : {prediction[0]:.0f}€")