Apprentissage non supervisé

Implique l'entraînement d'un modèle sur un ensemble de données non étiquetées. L'objectif est de découvrir des modèles ou des structures cachés dans les données. C'est comme donner à un enfant une grande boîte de briques LEGO sans le manuel d'instructions. Le but est de voir quelles structures ou quels motifs intéressants il propose de lui-même. Les exemples incluent les tâches de regroupement (clustering) et de réduction de dimensionnalité :

• Regroupement (Clustering) : L'objectif est de regrouper des instances similaires dans des clusters. C'est comme organiser vos jouets en groupes sans qu'on vous dise comment faire. Par exemple, un magasin peut regrouper les clients en différents types afin de déterminer la meilleure façon de faire de la publicité pour chaque type. Ou, sur les réseaux sociaux, cela aide à trouver qui appartient à quel groupe d'amis.
• Réduction de dimensionnalité : Une technique qui simplifie la complexité des données de haute dimension tout en conservant leurs caractéristiques essentielles. Imaginez que vous ayez un énorme sac à dos rempli de fournitures scolaires mais que vous vouliez l'alléger. La réduction de dimensionnalité consiste à déterminer ce qui est essentiel et ce qui ne l'est pas, afin de ne transporter que ce dont vous avez réellement besoin. Cela aide à gérer un surplus d'informations - comme si vous essayiez de regarder une image très complexe et de la simplifier pour qu'elle soit plus facile à comprendre.

Au fur et à mesure que nous passerons en revue différents algorithmes dans ce cours, nous verrons s'ils s'apparentent davantage à l'apprentissage supervisé ou non supervisé.