1. Machine learning traditionnel — comprendre le Traditional Machine Learning par les modes d’apprentissage, les familles d’algorithmes et les métriques d’évaluation

Le machine learning traditionnel (Traditional Machine Learning) peut être compris comme une approche dans laquelle un modèle apprend par lui-même les règles et les motifs présents dans les données afin de réaliser des prédictions ou des classifications sur de nouvelles entrées. Au lieu de définir manuellement des règles à partir de l’intuition ou de l’expérience humaine, le modèle représente les relations récurrentes dans les données au moyen de modèles statistiques et mathématiques, avec pour objectif de les généraliser.

05/17/2026

Agent intelligent en IA — percevoir, décider et agir avec la boucle Perception–Décision–Action

Un agent intelligent en IA est un système qui interagit avec son environnement pour atteindre un objectif. Il perçoit la situation, prend une décision, puis agit en conséquence. Ce n’est pas un simple programme réactif : il choisit ses actions en fonction du but à atteindre.

05/30/2026

AlphaGo — L’IA du jeu de go qui a dépassé l’humain en combinant recherche et apprentissage

AlphaGo est une intelligence artificielle qui a battu les meilleurs joueurs humains de go en combinant, pour choisir le coup suivant, un jugement appris par l’entraînement et la recherche dans l’arbre de jeu.

06/24/2026

AND-OR Search — Recherche de plans conditionnels dans les environnements non déterministes

En termes simples : décider de sortir avec un parapluie ou non relève de mon choix (OR). Mais une fois dehors, le fait qu’il pleuve ou non n’est pas quelque chose que je contrôle (AND). La recherche AND-OR ne construit donc pas une décision en une seule ligne comme « sortir sans parapluie », mais un plan du type « sortir sans parapluie, et s’il pleut, en acheter un dans un commerce de proximité », en intégrant aussi les actions suivantes lorsque les résultats divergent.

06/24/2026

Apprentissage par renforcement (Reinforcement Learning) — principe, agent, reward et policy

Le Reinforcement Learning, ou apprentissage par renforcement, est une méthode de machine learning qui apprend une politique (policy) à partir d’un signal de récompense. Un agent interagit avec un environnement, observe un état, choisit une action, reçoit une récompense immédiate, puis cherche à maximiser le return attendu sur le long terme. Contrairement à l’apprentissage supervisé, il ne reçoit pas de label correct pour chaque exemple : il apprend à partir des conséquences de ses propres décisions. Ce cadre est généralement formulé comme un Markov Decision Process (MDP), un modèle de prise de décision séquentielle défini par des états, des actions, des récompenses, des probabilités de transition et une policy.

06/09/2026

Autonomie (Autonomy) — capacité d’agir et de prendre des décisions de manière autonome à partir d’objectifs définis

L’Autonomie (Autonomy) désigne la capacité d’un système d’IA à, sans recevoir en permanence des instructions humaines, interpréter une situation et sélectionner des actions en fonction d’un objectif donné afin de poursuivre son exécution. Il ne s’agit pas simplement d’un comportement automatique, mais d’un processus où le système adapte ses décisions en fonction des changements de l’environnement tout en maintenant un flux d’action cohérent.

06/28/2026

Classification des IA selon leur mode de traitement — Une typologie fondée sur les mécanismes de génération des décisions

La classification des IA selon leur mode de traitement est une manière de catégoriser les systèmes selon la façon dont une IA traite une entrée en interne pour produire une décision et une sortie. Autrement dit, elle ne classe pas l’IA par fonction ou par domaine d’application, mais cherche à la comprendre à partir du mécanisme par lequel la décision se forme.

06/24/2026

Continual Learning — une méthode d’apprentissage permettant d’acquérir de nouvelles données tout en préservant les connaissances précédentes

Continual Learning (apprentissage continu) désigne une méthode d’apprentissage dans laquelle un modèle apprend en continu des données ou des tâches (task) qui arrivent de manière séquentielle dans le temps, tout en minimisant le phénomène selon lequel les connaissances acquises précédemment se détériorent. Au lieu de réentraîner le modèle sur l’ensemble des données, l’objectif est de maintenir les performances dans un contexte d’apprentissage “en flux continu”.

06/28/2026

Déterministe vs. stochastique — Une même action produit-elle toujours le même résultat ?

Deterministic vs. Stochastic est un critère qui indique si, lorsqu’un agent effectue la même action, il obtient toujours le même résultat ou si des résultats différents peuvent apparaître de manière probabiliste.

06/24/2026

Discret vs. Continu — Les valeurs sont-elles séparées par paliers ou varient-elles de façon fluide ?

Discret vs. Continu est une distinction qui permet de savoir si les valeurs manipulées par un agent (états ou actions) sont divisées en catégories nettement séparées, comme des marches d’escalier, ou s’il s’agit de valeurs continues pouvant être ajustées finement.

06/24/2026