- Apprentissage non supervisé
- L'apprentissage non supervisé est une forme d'apprentissage automatique dans laquelle un algorithme apprend à partir d'un ensemble de données non étiquetées.
- Contrairement à l'apprentissage supervisé, il n'y a pas de sorties souhaitées pour les entrées. Donc, l'algorithme doit trouver des modèles et des structures dans les données par lui-même.
- L'apprentissage non supervisé est souvent utilisé pour la découverte de motifs, la segmentation et la réduction de dimensionnalité.
- Il est utilisé dans une variété d'applications. Par exemple : la détection d'anomalies, la classification non supervisée et l'analyse en composantes principales.
Explication simplifiée
Imagine que tu es un analyste de données. Tu travailles pour une entreprise de commerce électronique. Tu as des données sur les achats de millions de clients. Mais ces données ne sont pas étiquetées. Ce qui signifie que tu ne sais pas quels clients ont acheté quels produits.
C'est là qu'intervient l'apprentissage non supervisé ! Tu peux utiliser des algorithmes d'apprentissage non supervisé pour trouver des modèles et des structures dans les données. Comme ça, tu n'as pas besoin de les étiqueter à la main.
Par exemple, tu peux utiliser l'analyse en composantes principales (ACP) pour identifier les caractéristiques les plus importantes des achats des clients. L'ACP permet de représenter les données dans un espace de dimension inférieure en identifiant les composantes principales qui expliquent la variance maximale des données.
Tu peux également utiliser des algos de classification non supervisée pour segmenter les clients en groupes en fonction de leurs achats. Ils permettent de regrouper les clients en fonction de leurs caractéristiques communes, sans avoir besoin de connaître à l'avance les groupes.
