La discipline de la visualisation des données nous offre des moyens pratiquement infinis de montrer ce qui se passe avec les algorithmes d'apprentissage automatique. Cela vaut la peine de réfléchir exactement à la raison pour laquelle la visualisation des données est si importante et pourquoi elle libère autant de pouvoir créatif pour tant de personnes impliquées dans les processus d'apprentissage automatique.
Pour comprendre la valeur de la visualisation des données pour l'apprentissage automatique, il suffit de jeter un œil à l'un des algorithmes utilisés pour créer ces programmes révolutionnaires et innovants.
L’un des plus simples est l’arbre de décision. Sans entrer dans les fonctions d'activation ou les couches cachées ou quoi que ce soit du genre, l'arbre de décision est simplement constitué d'un ensemble de nœuds binaires. Mais même le simple arbre de décision est très difficile à décrire ou à écrire. C'est beaucoup plus facile quand c'est visualisé sur un écran ou sur une page. Lorsque vous voyez chaque nœud et ses connexions avec d’autres nœuds, le tout devient évident.
Prenons maintenant l'un des types d'algorithmes d'apprentissage automatique les plus byzantins et les plus élaborés : le réseau neuronal.
D’une certaine manière, les réseaux de neurones sont en réalité des ensembles d’algorithmes d’apprentissage automatique. La configuration de base comprend une couche d’entrée, des couches cachées et une couche de sortie. Les fonctions d'activation aident les neurones numériques individuels à traiter les entrées pondérées.
Tous ces éléments et tous ces processus sont beaucoup plus facilement expliqués par la visualisation des données que par des descriptions verbales ou écrites. Vous pouvez dire qu'un réseau neuronal a des entrées pondérées circulant dans une couche d'entrée, et qu'elles fusionnent dans une couche cachée et se consolident en une sortie donnée, mais lorsque vous utilisez une figure visuelle pour montrer comment cela fonctionne, l'œil humain et l'humain le cerveau s'y accroche d'une manière beaucoup plus directe et utile.
Dans un sens, vous pouvez constater la puissance de la visualisation des données même sans prendre en compte l’apprentissage automatique. À l'époque de la programmation linéaire, les compilateurs et les studios de langage informatique donnaient aux programmeurs le choix de définir un programme de test étape par étape dans lequel ils pouvaient inspecter les valeurs des variables dans de petites boîtes visuelles. Encore une fois, cela a permis de mieux montrer ce qui se passe lors d’une exécution que la simple lecture d’une base de code.
L'apprentissage automatique est une programmation hyper-intensive – c'est une programmation probabiliste et c'est pourquoi la visualisation des données nous aide vraiment à comprendre ce qui se passe avec un algorithme ou un processus donné.