Apprendre une règle depuis des exemples
Distinguer mémoriser et généraliser à partir d'exemples.
Une règle apprise, pas programmée
En programmation classique, vous écrivez la règle : if poids > 5 then cher. En Machine Learning, vous fournissez des exemples (x, y) et un algorithme ajuste une règle f pour prédire y depuis x.
Exemple : poids [1, 2, 3] kg et prix [5, 7, 9] euros. La règle f(x) = 2 * x + 3 colle aux exemples. Elle n'a pas été devinée : elle a été choisie parce qu'elle fait peu d'erreurs dessus.
Mémoriser ne suffit pas
Apprendre par cœur les trois exemples donne 100 % juste dessus et 0 % utile ailleurs. Généraliser signifie être bon sur de nouveaux exemples du même phénomène.
Retenez la question qui guide tout le cursus : la règle trouvée sur mes exemples reste-t-elle bonne sur des exemples qu'elle n'a jamais vus ? Les chapitres suivants donnent les outils pour y répondre honnêtement : données propres, protocole sans fuite, métriques, puis modèles.
Ce que demande ce cursus
Aucun prérequis de programmation : le socle de démarrage (partie 1 : terminal, Python, fichiers, rappels maths) donne tout ce qu'il faut. Ici on ajoute : calcul vectorisé avec numpy, raisonnement sur l'erreur, et lecture critique d'un résultat.
Gardez un carnet et un dossier par chapitre. Pour chaque leçon : lisez, reproduisez le petit calcul, changez une valeur, expliquez l'effet. Le code s'exécute sur votre PC ou votre VM, jamais sur la plateforme.