noun
L’apprentissage non supervisé est une technique d’apprentissage automatique où les algorithmes découvrent des structures dans des données brutes, sans étiquettes prédéfinies. Contrairement à l’apprentissage supervisé, il ne nécessite pas d’exemples annotés, ce qui le rend idéal pour des tâches comme le regroupement de données ou la détection d’anomalies.
Des algorithmes comme les forêts aléatoires ou les réseaux de neurones autoencodeurs sont souvent utilisés. Cette méthode est particulièrement utile pour traiter de grands volumes de données où l’étiquetage manuel serait trop coûteux, comme dans l’analyse d’images médicales ou la détection de fraudes.
Pour les professionnels, cela réduit les coûts de préparation des données, mais les résultats peuvent être moins précis et nécessitent une validation rigoureuse. Par exemple, une banque pourrait l’utiliser pour identifier des transactions suspectes sans avoir à étiqueter chaque opération.
Un moteur de recommandation utilise l'apprentissage non supervisé pour regrouper des utilisateurs selon leurs préférences et suggérer des produits pertinents.
Dans les autres langues
Voir aussi : Supervised learning