Apprenons-nous vraiment l’apprentissage automatique… ou l’utiliser simplement? | par Prakshil Patel | Juin 2025

À l’ère de l’intelligence artificielle, il est plus facile que jamais de construire des modèles d’apprentissage automatique. Avec des bibliothèques puissantes comme Scikit-apprend, Tensorflow, Kéraset Pytorchvous pouvez implémenter une régression linéaire ou un réseau neuronal profond dans quelques lignes de code.

Et c’est là que le problème commence.
Aujourd’hui, la plupart des apprenants sautent directement dans le codage avec des modules prédéfinis. Ils prennent un ensemble de données, importent un modèle, le forment et le boom – les résultats! Mais la vraie question est:

Comprenez-vous réellement ce qui se passe sous le capot ou simplement dans le backend?

Ceci est le flux ML de base, mais les trucs qui se produisent dans Backend sont très différents et fascinants,

Quand quelqu’un commence à apprendre ML aujourd’hui, l’approche habituelle est:

• Regardez quelques vidéos YouTube
• Suivre un cours en ligne
• Télécharger un ensemble de données
• Importer Linéaire () et utiliser .ajuster()

C’est très facile, mais il saute une étape très importante: Comprendre ce qui se passe sous le capot.

Un extrait ou un exemple très commun est le suivant:

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X, y)

Le modèle s’entraîne. Vous le testez. Ça marche. Mais la chose est que,

• Savez-vous comment les poids sont calculés?
• Quel type de fonction de coût qu’il minimisation?
• Comment cela gère le sur-ajustement?

C’est là que la plupart des apprenants échouent, et c’est la principale raison pour laquelle les gens perdent des emplois ou ne prennent pas d’emplois et tout.

Considérez les bibliothèques comme le l’extrémité avant de l’apprentissage automatique. Ils rendent les choses faciles et efficaces. Mais si vous n’explorez jamais le backendvous manquez un véritable apprentissage.

La chose qui se produit lorsque vous sautez les implémentations de scratch:

• Vous ne comprenez pas les mathématiques derrière les prédictions.
• Vous ne pouvez pas déboguer quand quelque chose ne va pas.
• Vous ne pouvez pas expliquer comment le modèle fonctionne dans les interviews.

Nous pouvons donc dire que les bibliothèques sont super – Une fois que vous comprenez ce qu’ils font sous le capot dans le backend.

1. Approche de la bibliothèque:

from sklearn.linear_model import LinearRegression
import numpy as np
# Sample data
X = np.array(((1), (2), (3), (4)))
y = np.array((2, 4, 6, 8))
# Train model
model = LinearRegression()
model.fit(X, y)
# Predict
prediction = model.predict(((5)))
print("Prediction for input 5:", prediction)

Des trucs manquants: Multiplication matricielle, calcul moyen d’erreur carré, mises à jour du gradient, etc.

2 Régression linéaire à partir de zéro (logique de base):

# Simple Linear Regression (without libraries)
def train_linear_regression(X, y):
n = len(X)
x_mean = sum(X) / n
y_mean = sum(y) / n
num = sum((X(i) - x_mean) * (y(i) - y_mean) for i in range(n))
den = sum((X(i) - x_mean) ** 2 for i in range(n))
slope = num / den
intercept = y_mean - slope * x_mean
return slope, intercept
# Training
X = (1, 2, 3, 4)
y = (2, 4, 6, 8)
m, b = train_linear_regression(X, y)
# Predicting
x_input = 5
prediction = m * x_input + b
print("Prediction for input 5:", prediction)

Cela enseigne: Le calcul derrière le montage d’une ligne en utilisant la méthode des moindres carrés. Vous pouvez clairement voir la différence entre les deux par les échantillons de code ci-dessus.

Si vous débutez, essayez de les construire à partir de zéro:

• Régression linéaire avec descente de dégradé
• Régression logistique en utilisant l’activation sigmoïde
• Arbres de décision avec entropie ou index de Gini
• Un réseau neuronal de base avec rétropropagation

Pas besoin de frameworks sophistiqués – juste Python, Numpy et Logic. Vous serez surpris de voir à quel point vous devenez plus confiant et curieux.

1. Vous posez de meilleures questions – «Pourquoi cela échoue-t-il?» Au lieu de «quelle fonction dois-je appeler?»
2. Vous déboguez mieux – parce que vous comprenez le flux.
3. Tu grandis plus vite – Vos modèles mentaux correspondent au comportement du monde réel.

De plus, dans les interviews, vous ne vous afficherez pas simplement un projet – vous l’expliquerez.

Vous ne vous appelleriez pas un développeur Web si tout ce que vous faisiez était des éléments de glisser-déposer dans un générateur de sites Web. La même logique s’applique ici. Les vrais développeurs comprennent le backend, la logique, les algorithmes.

Les bibliothèques d’apprentissage automatique sont incroyables. Ils sont puissants, flexibles et essentiels pour les projets du monde réel. Mais ne les laissez pas cacher la magie.

• Utilisez-les, mais ne dépendez pas aveuglément.
• Apprenez les mathématiques. Construisez les algorithmes. Puis à l’échelle avec des outils.

Le chemin peut être plus lent, mais la fondation que vous construisez vous fera atteindre le niveau suivant et vous faire vous démarquer.

Essayez de mettre en œuvre Régression linéaire à partir de zéro en utilisant juste Python et Numpy. Tu ne regarderas jamais .fit() de la même manière.

Si ce blog vous a aidé ou a déclenché une pensée, n’hésitez pas à tendre la main ou à explorer plus de mon travail:

#MachineLearning #AI #DEEPLEARNING #mlfromscratch #coding #techblog #datascience #python #learningjourney