Concernant les perspectives d'avenir, beaucoup d’espoirs sont tournés vers l’apprentissage non supervisé pour améliorer la cyber sécurité ou l’identification de différentes maladies.
Concernant les perspectives d’avenir, À la différence de l’apprentissage supervisé, l’apprentissage non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés. En effet, dans ce cas de figure, l’apprentissage par la machine se fait de manière entièrement indépendante. Des données sont alors renseignées à la machine sans qu’on lui fournisse des exemples de résultats.
Ainsi, dans cette situation d’apprentissage, les réponses que l’on veut trouver ne sont pas présentes dans les données fournies : l’algorithme utilise des données non étiquetées. On attend donc de la machine qu’elle crée elle-même les réponses grâce à différentes analyses et au classement des données.
Les modèles d’apprentissage non supervisé sont notamment utilisés pour :
- Le classement des données
- Le calcul approximatif de la densité de distribution
- La réduction des dimensions
Dans ce cadre, l’ensemble des données collectées est traité comme des variables aléatoires. En effet et contrairement à l’apprentissage automatique qui se doit de trouver un modèle à partir de données étiquetées : f(X) Y, il utilise seulement des données non étiquetées : il n’y a pas de variable Y à prédire.
L’utilisation de l’apprentissage non supervisé peut être réunie en problèmes de clustering et d’association.
Clustering
Un problème de clustering est un problème pour lequel on attend de la machine qu’elle rassemble sous forme de groupe (mise en cluster) des objets présents dans des groupes de données, et ce de la manière la plus juste et efficace possible. Cette technique, bien que parfois difficile à comprendre par l’homme, est très utilisée dans le domaine du marketing pour placer dans des groupes les différents clients par exemple. Un exemple d’algorithme très souvent utilisé dans le clustering est le K-means.
Association
Le système d’association permet de trier et regrouper les données qui peuvent être liées grâce à certaines caractéristiques. Le but est donc de trouver des objets liés les uns aux autres sans qu’il s’agisse néanmoins d’objets identiques. À titre d’exemple, en fournissant à l’algorithme de nombreuses images de chats et d’accessoires pour chats, alors l’algorithme d’apprentissage non supervisé ne regrouperait pas tous les chats ensemble mais par exemple une pelote de laine avec un chat. Un exemple d’algorithme très souvent utilisé dans l’association est l’algorithme A-priori.
L’apprentissage non supervisé est très souvent utilisé dans le domaine de la reconnaissance vocale, comme pour l’utilisation de Siri ou Alexa.
Ainsi, ce dernier permet d’apprendre les particularités vocales du propriétaire du téléphone (langage, son de voix..).
De la même façon, certains téléphones portables l’utilisent pour disposer de manière automatisée les photos. En effet, le téléphone est apte à identifier la même personne sur des photos ou trouver des lieux similaires afin de les ranger selon ces critères.
Quelles différences avec l’apprentissage supervisé ?
Même si les deux types d’apprentissages relèvent de l’intelligence artificielle, l’apprentissage supervisé consiste à apprendre une fonction de prédiction à partir d’exemples labellisés.
L’apprentissage supervisé consiste à surveiller l’apprentissage de la machine en lui présentant des exemples de ce qu’elle doit effectuer. Ainsi, le but de l’apprentissage supervisé est de créer des algorithmes aptes à recevoir des ensembles de données et à réaliser une analyse statistique pour prédire un résultat.
Enfin, il est nécessaire de souligner qu’il existe d’autres types d’apprentissage tel que l’apprentissage semi-supervisé qui consiste en un “mix” entre apprentissage supervisé et apprentissage non supervisé.
Vous souhaitez découvrir tous les champs d’application de l’apprentissage supervisé et non supervisé ? Apprendre à les exploiter ? Découvrez nos formations !
