L'apprentissage automatique a été défini par Andrew Ng, un informaticien de l'Université de Stanford, comme «la science permettant aux ordinateurs d'agir sans être explicitement programmés». Il a été conçu pour la première fois dans les années 1950, mais a connu des progrès limités jusqu'au tournant du 21 siècle. Depuis lors, l'apprentissage automatique a été un moteur de nombreuses innovations, notamment l'intelligence artificielle.
L'apprentissage automatique peut être divisé en plusieurs catégories, y compris l'apprentissage supervisé, non supervisé, semi-supervisé et par renforcement. Alors que l'apprentissage supervisé s'appuie sur des données d'entrée étiquetées afin d'inférer ses relations avec les résultats de sortie, l'apprentissage non supervisé détecte des modèles parmi les données d'entrée non étiquetées. L'apprentissage semi-supervisé utilise une combinaison des deux méthodes, et l'apprentissage par renforcement motive les programmes à répéter ou à élaborer des processus avec des résultats souhaitables tout en évitant les erreurs. (Pour en savoir plus sur l'histoire de la programmation, consultez Programmation informatique: du langage machine à l'intelligence artificielle.)
Plusieurs industries différentes bénéficient déjà de l'apprentissage automatique, et il existe une demande croissante de produits et services ML dans le monde développé. Les entreprises de toutes sortes profitent de ses capacités prédictives et cherchent à développer des méthodes d'apprentissage machine prescriptives afin de prendre des décisions éclairées. Il existe de nombreuses façons différentes pour les entreprises d'approcher cette technologie, y compris plusieurs langages de programmation qui se distinguent sur le terrain.
