Quelle est la différence entre un algorithme classique vs un algorithme de machine learning?

Mis à jour le Oct. 6, 2022, 1:27 p.m.

Les algorithmes classiques et les algorithmes de machine learningsont deux approches distinctes pour résoudre des problèmes, mais ils diffèrent par leur fonctionnement, leur utilisation des données et leurs capacités. Voici les principales différences entre les deux :

1- Méthode de résolution de problèmes
2- Utilisations des données
3- Capacités d'adaptation

Méthode de résolution de problèmes

Les algorithmes classiques sont conçus pour suivre une séquence d'instructions prédéfinie afin de résoudre un problème spécifique. Ils reposent sur des règles et des logiques prédéterminées qui sont généralement définies par les concepteurs de l'algorithme. Les algorithmes classiques sont souvent utilisés pour des tâches bien définies et précises.

En revanche, les algorithmes de machine learning sont conçus pour apprendre à partir des données et à améliorer leurs performances avec l'expérience. Plutôt que de programmer explicitement les règles et les logiques, les algorithmes de machine learning utilisent des modèles mathématiques et des techniques d'apprentissage automatique pour extraire des informations et des schémas à partir des données d'entraînement.

Plus simplement:

Par exemple, on peut voir une recette comme un algorithme classique, ce n'est qu'une suite d'instructions à suivre l'une après l'autre.  Si je suis en train de faire un gâteau et que je veux apprendre à une machine via un algorithme classique à faire ce gâteau, je vais lui expliquer comment suivre la recette étape par étape. Par exemple je vais lui dire voici le gâteau au chocolat que je veux faire et pour réaliser ce gâteau j'ai besoin d'une d'une tablette de chocolat, d'un fouet, de farine, d'oeufs, d'un four et d'un récipient pour mélanger le tout, etc.  Dans un algorithme classique on indique absolument tout à la machine et elle fait tout étape par étape vraiment comme une recette de cuisine.  Et c'est là la différence principale avec le machine learning.

Pour le machine learning on fera en sorte que l'ordinateur apprenne tout seul les étapes à suivre.  Pour qu'il puisse apprendre tout seul la recette nous allons lui donner et le résultat à savoir notre gâteau au chocolat (le résultat que nous voulons atteindre. et nos ingrédients disponibles (nos données d'entrées). Notre algorithme va alors faire plein d'essais pour essayer de retrouver la recette du gâteau au chocolat (la prédiction) et les données qu'on lui aura donné en entrée c'est-à-dire les ingrédients qu'il aura à sa disposition pour réaliser le gâteau au chocolat.

La principale différence entre les deux dans un cas on écrit absolument toutes les étapes les unes à la suite des autres , dans l'autre on donne simplement les ingrédients et le résultat final pour qu'il obtienne de lui même la recette. Ce qui est assez efficace pour les problèmes complexes que l'on ne peut pas détaillées étape par étape (reconnaissance d'images, de signaux etc.).

Utilisation des données

Les algorithmes classiques sont généralement conçus pour traiter des données spécifiques qui sont fournies en entrée. Ils ne sont pas capables d'apprendre à partir des données ou de s'adapter à de nouvelles informations sans modifications de leur code. Ces algorithmes sont souvent utilisés lorsque les règles et les logiques du problème sont bien connues et stables.

En revanche, les algorithmes de machine learning sont conçus pour s'adapter aux données et apprendre à partir d'elles. Ils sont capables d'extraire des schémas, de détecter des tendances et de prendre des décisions basées sur les informations contenues dans les données. Les algorithmes de machine learning sont particulièrement utiles lorsque les données sont complexes, non structurées ou qu'il existe des relations non linéaires entre les variables.

Capacités d'adaptation

Les algorithmes classiques sont souvent statiques et ne peuvent pas s'adapter automatiquement à de nouvelles données ou à des changements de contexte. Si les règles et les logiques du problème évoluent, il est généralement nécessaire de modifier manuellement l'algorithme pour qu'il soit à jour.

En revanche, les algorithmes de machine learning sont conçus pour s'adapter et évoluer avec les données. Ils peuvent être entraînés sur de nouvelles données pour améliorer leurs performances, et ils sont capables de généraliser les connaissances apprises à de nouvelles situations. Les algorithmes de machine learning sont donc plus flexibles et peuvent s'adapter à des environnements changeants.

En résumé, la principale différence entre un algorithme classique et un algorithme de machine learning réside dans leur approche de résolution de problèmes. Les algorithmes classiques suivent des règles prédéfinies, tandis que les algorithmes de machine learning apprennent à partir des données pour extraire des informations et prendre des décisions. Les algorithmes de machine learning sont plus adaptés aux problèmes complexes et aux données non structurées, offrant une plus grande flexibilité et des capacités d'adaptation aux changements.

En d'autres terme, un algorithme de machine learning n'est qu'une fonction qui est apprise au contact des données.