Apprentissage supervisé
L'apprentissage supervisé consiste à former un modèle sur un ensemble de données étiquetées. Les données étiquetées signifient que les données d'entrée sont associées à la sortie correcte. L'objectif est de permettre au modèle d'apprendre la correspondance ou la relation entre les entrées et les sorties afin qu'il puisse faire des prédictions ou classer avec précision de nouvelles données inédites. Il existe deux principaux types d'apprentissage supervisé :
-
La classification : Il s'agit de prédire une étiquette catégorique. Par exemple, déterminer si un courriel est un spam ou non en fonction de certaines caractéristiques (comme les mots utilisés, l'expéditeur, etc.). Des algorithmes tels que les machines à vecteurs de support (SVM), les arbres de décision et les réseaux neuronaux sont utilisés pour la classification.
-
Régression : Il s'agit de prédire une valeur continue. Par exemple, prédire le prix d'une maison en fonction de ses caractéristiques telles que la superficie, le nombre de chambres, etc. Des algorithmes tels que la régression linéaire, Random Forest et Gradient Boosting sont utilisés pour les tâches de régression.
Apprentissage non supervisé
L'apprentissage non supervisé implique la formation d'un modèle sur un ensemble de données non étiquetées. Dans ce cas, l'algorithme tente de trouver des modèles cachés ou des structures intrinsèques dans les données sans aucune supervision explicite. L'objectif est d'explorer les données, de comprendre leur structure et d'en extraire des informations utiles. Les types courants d'apprentissage non supervisé sont les suivants :
-
Regroupement : Regroupement de points de données similaires sur la base de certaines caractéristiques ou similitudes. Par exemple, regrouper des segments de clients en fonction de leur comportement d'achat à l'aide d'algorithmes tels que K-Means ou Hierarchical Clustering.
-
Réduction de la dimensionnalité : Réduire le nombre de caractéristiques tout en conservant les informations essentielles. L'analyse en composantes principales (ACP) et l'intégration des voisins stochastiques distribués (t-SNE) sont utilisées pour visualiser des données de haute dimension dans un espace de dimension inférieure.
Quand utiliser chacun d'entre eux ?
-
L'apprentissage supervisé est utilisé lorsque vous disposez de données étiquetées et que vous souhaitez prédire ou classer des instances futures sur la base de ces données étiquetées. Par exemple, si vous disposez de données historiques sur les achats des clients et que vous souhaitez prédire les achats futurs, l'apprentissage supervisé est approprié.
-
L'apprentissage non supervisé est utilisé lorsque vous ne disposez pas de données étiquetées ou lorsque vous souhaitez explorer et comprendre la structure sous-jacente des données. Par exemple, dans la détection d'anomalies ou la recherche de modèles cachés dans de grands ensembles de données.
Parfois, une combinaison des deux types d'apprentissage, connue sous le nom d'apprentissage semi-supervisé, peut être employée lorsque vous disposez d'une petite quantité de données étiquetées et d'une grande quantité de données non étiquetées, ce qui permet aux modèles de bénéficier des deux sources d'information.
