Plan du cours
L'IA et ses débuts
Comment ça marche
L'environnement IA : les concepts des initiés
Dans cette leçon, on va comprendre ce qu'est la prédiction. Comme vous avez pu le constater, deux termes reviennent souvent lorsque l'on parle d'IA. la classification et la prédiction. A travers un exemple concret nous allons étudier la prédiction.
Le but est d'essayer de "deviner" une valeur, comme un prix, une température ou un âge. Les data scientists appellent ça la "régression", mais entre nous, appelons ça simplement de la prédiction
Le but est d'essayer de "deviner" une valeur, comme un prix, une température ou un âge. Les data scientists appellent ça la "régression", mais entre nous, appelons ça simplement de la prédiction
01
Le problème
Vous voulez vendre votre maison. Comment estimer son prix ? Intuitivement, vous savez que ça dépend de plusieurs facteurs :
La surface
La localisation
Le nombre de pièces
L'année de construction
Le jardin
La proximité des écoles
La localisation
Le nombre de pièces
L'année de construction
Le jardin
La proximité des écoles
Un humain expérimenté peut estimer un prix en combinant ces facteurs. Une IA fait exactement la même chose — mais en ayant analysé des centaines de milliers de ventes passées.
02
Comment l'IA apprend à prédire
Les données d'entraînement — exemple simplifié
| Surface (m²) | Pièces | Ville | Prix vendu |
|---|---|---|---|
| 80 m² | 3 | Lyon | 240 000 € |
| 120 m² | 5 | Bordeaux | 380 000 € |
| 45 m² | 2 | Rennes | 140 000 € |
| 95 m² ← votre maison | 4 | Lyon | ? € |
En analysant des milliers de lignes comme ça, l'IA découvre des relations : "chaque m² supplémentaire à Lyon ajoute en moyenne X euros", "un jardin augmente le prix de Y%"…
03
Le concept clé : les caractéristique (aussi appelé features )
En IA, chaque caractéristique utilisée pour faire une prédiction s'appelle une feature (ou variable d'entrée). C'est un mot que vous entendrez souvent.
Etude des caractéristiques ( ou feature)
Le but est de trouver les éléments qui ont un vrai lien avec le prix : la surface, localisation, état général, proximité des transports. Les données inutiles comme : la couleur de la boîte aux lettres ou le numéro de la rue seront ignorées ( on appelle cela le bruit). Ensuite le programme va mouliner. Il va se rendre compte tout seul que :
"Ah, à chaque fois qu'il y a 10m² de plus, le prix monte d'environ 30 000€"
"Tiens, s'il y a une piscine, le prix explose".
L'IA crée sa propre formule magique interne pour relier les caractéristiques au prix final
"Ah, à chaque fois qu'il y a 10m² de plus, le prix monte d'environ 30 000€"
"Tiens, s'il y a une piscine, le prix explose".
L'IA crée sa propre formule magique interne pour relier les caractéristiques au prix final
⚠ Le risque du surapprentissage (overfitting) : si l'IA mémorise trop précisément les données d'entraînement, elle perd la capacité à généraliser. Comme un étudiant qui apprend les réponses par cœur sans comprendre, il échoue à l'examen dès que les questions changent un peu.
À retenir
- La prédiction = estimer une valeur numérique (prix, température, délai…) à partir de caractéristiques
- Les features sont les caractéristiques d'entrée, Il faut les choisir intelligemment !
- L'IA trouve des relations cachées dans des milliers d'exemples passés
- Overfitting = mémoriser sans comprendre — l'IA rate les nouveaux cas
Cours mis à jour en mars 2026.