Lebosq Networks, accueilDemander un devis

L'environnement IA : les concepts des initiés · leçon 8 sur 11

L'entraînement

Plan du cours

L'IA et ses débuts

  1. Qu'est-ce que l'Intelligence Artificielle ?
  2. L'Intelligence artificielle à son commencement
  3. Les types IA et leurs manières d'apprendre !
  4. L'IA autour de nous

Comment ça marche

  1. L'architecture
  2. La prédiction
  3. La classification

L'environnement IA : les concepts des initiés

  1. L'entraînement
  2. L'inférence

IA et éthique

  1. Les Biais et limites
  2. Les Responsabilités : de qui est ce la faute ?
Maintenant que vous avez compris comment un modèle apprend. La vraie question : comment sait-on qu'il est assez bon pour être utilisé ? C'est tout l'enjeu du processus d'entraînement.

01
Train, Validation, Test — les 3 jeux de données

Avant d'entraîner un modèle, on découpe les données en 3 parties séparées. C'est une règle d'or :

Jeu d'entraînement ~70%
Les données sur lesquelles le modèle apprend. Il les voit des milliers de fois.
Validation  ~15%
Permet d'ajuster les réglages pendant l'entraînement.
Test  ~15%
Données jamais vues — le vrai examen final.

Les étapes détaillé du training : Essai, Erreur et Punition

Pendant le "Training", le modèle d'IA est comme un enfant qui apprend à faire du vélo. Au début, il fait n'importe quoi. On lui montre une photo de chat, il dit "C'est un chien !".

L'astuce, c'est que le programme qui supervise l'entraînement connaît la bonne réponse. Il va donc "punir" mathématiquement l'IA pour son erreur. L'IA va alors ajuster ses petits rouages internes (ses paramètres) et réessayer. Des millions de fois. Jusqu'à ce que la punition soit proche de zéro.

Analogie : le jeu d'entraînement = les cours de l'année. La validation = les devoirs maison. Le jeu de test = le vrai examen. Les questions sont différentes et le modèle ne les a jamais vues.

02
Les métriques : comment mesurer la performance de notre modèle

Pour savoir si un modèle est bon, on calcule des métriques. Les plus courantes sont :

Accuracy
% de bonnes réponses. Simple et intuitive. Exemple : 95% des photos de chats sont correctement identifiées.
Limite : trompeuse si les catégories sont déséquilibrées (1000 chats, 10 chiens).
Précision
Quand le modèle dit "chat", a-t-il raison ? Important quand les faux positifs coûtent cher. Exemple médical : diagnostiquer à tort une maladie grave.
Rappel
Parmi tous les vrais cas, combien le modèle en a-t-il trouvés ? Crucial quand manquer un cas est grave. Exemple : rater un cancer sur une radio.
Loss
L'erreur globale du modèle. C'est ce que l'algorithme cherche à minimiser pendant l'entraînement. Plus c'est bas, mieux c'est.

03
Overfitting vs Underfitting : les causes d'erreur du modèle

 Underfitting : le modèle flémard

Le modèle n'a pas assez appris. Il fait des erreurs même sur les données d'entraînement.

Comme un étudiant qui n'a pas assez révisé et donc il échoue partout.

 Overfitting : le modèle trop travailleur

Le modèle a trop appris les données d'entraînement. Il est parfait dessus mais échoue sur de nouvelles données.

Comme un étudiant qui apprend les réponses par cœur sans comprendre.

✅ Le juste milieu

Les modèles les plus efficace sont ceux avec une bonne performance sur le jeu d'entraînement ET sur le jeu de test.

L'étudiant qui a compris les concepts et il réussit même avec des questions nouvelles.

04
Les hyperparamètres : les réglages du modèle

Avant de lancer l'entraînement, le data scientist choisit des hyperparamètres. Ces réglages vont influencer l'apprentissage du modèle. Ces valeurs ne sont pas apprises par le modèle, ce sont des décisions humaines.

Learning rate
La vitesse d'apprentissage. Trop rapide = instable. Trop lent = entraînement interminable.
Epochs
Nombre de fois qu'on présente toutes les données au modèle. Plus c'est élevé, plus c'est long.
Batch size
Combien d'exemples on montre à la fois avant de mettre à jour le modèle.

Si l'on résume simplement :

  • Le Taux d'dddapprentissage (Learning Rate) : C'est la vitesse à laquelle l'IA modifie ses croyances. S'il est trop grand, l'IA tire des conclusions trop vite. S'il est trop petit, elle mettra des années à apprendre.
  • Les  Epochs : C'est le nombre de fois que vous obligez l'IA à relire l'intégralité de son livre de cours (ses données) du début à la fin.

✔ En bref : Les hyperparamètres, c'est le thermostat de l'Intelligence Artificielle.

À retenir
  • On divise toujours les données en train / validation / test — le modèle ne voit jamais le jeu de test avant l'évaluation finale
  • Accuracy, précision, rappel : des métriques différentes pour des besoins différents
  • Overfitting = trop mémorisé
  • Underfitting = pas assez appris
  • Les hyperparamètres sont les réglages que le data scientist choisit avant l'entraînement

Cours mis à jour en mars 2026.