Cartography of machine learning and its algorithms

L’apprentissage artificiel, ou machine learning, est un ensemble de méthodes permettant d’établir, à partir de données, des modèles de prise de décision, de prédiction ou de classification. L’ axiome plus général qui définirait ce champ de recherche est l’ambition de s’inspirer et d’imiter la capacité humaine et animale à apprendre de l’expérience.Les récents succès de ces méthodes - souvent relayés par des médias grand publics - sont seulement révélateurs de l’attention épisodique portée à des techniques qui remontent quant à elles à une cinquantaine d’années dans le contexte de l’Intelligence Artificielle et de l’informatique,et à plusieurs siècles de traditions scientifiques en mathématique,statistique, physique.Après avoir rendu compte de ces éléments, cette thèse s’intéresse aux différentes épistémès, “styles de pensée” qui rythment cette communauté,en étudiant les principaux algorithmes développés pour parvenir à la prise de décision, la prédiction ou la classification. Chacun des algorithmes est envisagé de manière historique mais aussi via les contraintes techniques et théoriques qu’il porte, et les compromis d’usages qu’il impose - par exemple entre interprétabilité et efficacité.Ces “tribus” de l’apprentissages apparaissent alors comme des tentatives relativement indépendantes de parvenir à un même objectif.Nous envisageons par la suite l’activité de ces sous-communautés algorithmiques dans le champ académique, par l’analyse de corpus bibliographiques extraits de Web of Science. La détection de communautés au sein des réseaux de co-citations construits à partir de ces données nous permet de mettre en lumière les structures thématiques transversales qui innervent les différents types d’algorithmes. Nous avons ainsi pu observer comment chaque discipline scientifique se place de manière spécifique dans le paysage algorithmique de l’apprentissage et entretient ou non des relations privilégiées avec les champs propres à sa recherche fondamentale. Il apparait donc, au terme de cette analyse, qu’il est plus facile pour un auteur de se mouvoir d’une thématique à une autre, que d’une méthode d’apprentissage à une autre.Enfin, nous nous intéressons à des terrains plus ingénieriques de la pratique de l’apprentissage avec une analyse de données issues des forums de questions-réponses Stackexchange et du site de compétitions en ligne Kaggle. On y retrouve plusieurs résultats proches de ceux observés dans le champ académique, comme les disciplines les plus représentées. De nettes différences émergent cependant quant à la diversité et la coprésence de ces algorithmes dans les compétitions et les usages des participants.En conclusion, nous mettons en perspective certains des éléments observés dans cette étude avec les récents débats sur la place de ces algorithmes dans les politiques publiques et discutons la question de leur nature discriminatoire.Artificial learning, or machine learning, is a set of methods for establishing decision-making, prediction or classification models from data. The more general axiom that would define this field of research is the ambition to draw inspiration from and imitate the human and animal capacity to learn from experience. The recent successes of these methods - often relayed by mainstream media - are only indicative of the episodic attention given to techniques that date back some fifty years in the context of Artificial Intelligence and computer science, and several centuries of scientific traditions in mathematics, statistics and physics.After reporting on these elements, this thesis focuses on the various \emph{epistems}, or "styles of thought", that punctuate this community, by studying the main algorithms developed to achieve decision making, prediction or classification. Each of the algorithms is considered historically, but also via the technical and theoretical constraints it carries, and the trade-offs in use it imposes - for example between interpretability and efficiency. These 'tribes' of learning then appear as relatively independent attempts to achieve the same goal.We then consider the activity of these algorithmic sub-communities in the academic field, through the analysis of bibliographic corpora extracted from the \emph {Web of Science}. The detection of communities within the networks of co-citations constructed from these data allows us to highlight the transversal thematic structures that innervate the different types of algorithms. We have thus been able to observe how each scientific discipline places itself in a specific way in the algorithmic landscape of learning and whether or not it maintains privileged relations with the fields specific to its fundamental research. At the end of this analysis, it appears that it is easier for an author to move from one theme to another, than from one learning method to another.Finally, we are interested in more engineering fields of learning practice with an analysis of data from the question and answer forums and the online competition site \emph{Kaggle}. Several results are similar to those observed in the academic field, such as the most represented disciplines. However, clear differences emerge in terms of the diversity and co-presence of these algorithms in the competitions and the uses of the participants.In conclusion, we put into perspective some of the elements observed in this study with the recent debates on the place of these algorithms in public policies and discuss the question of their discriminatory nature