Types d'Apprentissage Automatique
Apprentissage supervisé
L'apprentissage supervisé est une technique d'apprentissage automatique dans laquelle le modèle est entraîné sur un ensemble d'entraînement étiqueté.
Les tâches d'apprentissage supervisé les plus courantes sont :
-
Régression (par exemple, prédire le prix d'une maison) : un ensemble d'entraînement étiqueté avec d'autres prix de maisons est nécessaire ;
-
Classification (par exemple, classer un e-mail comme spam/non-spam) : un ensemble d'entraînement étiqueté comme spam/non-spam est nécessaire.
Apprentissage non supervisé
L'apprentissage non supervisé est une technique d'apprentissage automatique dans laquelle le modèle est entraîné sur un ensemble d'entraînement non étiqueté.
Les principales tâches de l'apprentissage non supervisé sont la clustering, la détection d'anomalies et la réduction de dimensionnalité.
Clustering
Regroupe des points de données similaires en clusters sans étiquettes — par exemple, regrouper des e-mails sans savoir s'ils sont des spams ou non.
Détection d'anomalies
Identifie les points de données qui dévient des schémas normaux, comme des transactions par carte bancaire inhabituelles, sans avoir besoin d'étiquettes de fraude.
Réduction de dimensionnalité
Réduit le nombre de caractéristiques tout en préservant les informations importantes — également sans étiquettes.
Apprentissage par renforcement
L'apprentissage par renforcement diffère considérablement des deux types précédents. Il s'agit d'une technique utilisée pour entraîner des véhicules autonomes, des robots, des intelligences artificielles dans les jeux, et plus encore.
L'apprentissage par renforcement est une technique d'apprentissage automatique dans laquelle l'agent (par exemple, un robot aspirateur) apprend en prenant des décisions et reçoit une récompense si la décision est correcte et une punition si la décision est incorrecte.
Le dressage d'un chien à rapporter fonctionne de manière similaire à l'apprentissage par renforcement : les bonnes actions obtiennent une récompense, les mauvaises actions entraînent une punition, et le fait de rapporter la balle avec succès procure une récompense plus importante, renforçant ainsi le comportement souhaité.
1. Pour entraîner le modèle d'apprentissage automatique dans une tâche d'apprentissage supervisé, il est nécessaire que l'ensemble d'entraînement contienne une cible (soit étiqueté). Est-ce correct ?
2. Pour entraîner le modèle d'apprentissage automatique dans une tâche d'apprentissage non supervisé, il n'est pas nécessaire que l'ensemble d'entraînement contienne une cible (soit étiqueté). Est-ce correct ?
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Can you explain the differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are the main advantages and disadvantages of each learning type?
Awesome!
Completion rate improved to 3.13Types d'Apprentissage Automatique
Glissez pour afficher le menu
Apprentissage supervisé
L'apprentissage supervisé est une technique d'apprentissage automatique dans laquelle le modèle est entraîné sur un ensemble d'entraînement étiqueté.
Les tâches d'apprentissage supervisé les plus courantes sont :
-
Régression (par exemple, prédire le prix d'une maison) : un ensemble d'entraînement étiqueté avec d'autres prix de maisons est nécessaire ;
-
Classification (par exemple, classer un e-mail comme spam/non-spam) : un ensemble d'entraînement étiqueté comme spam/non-spam est nécessaire.
Apprentissage non supervisé
L'apprentissage non supervisé est une technique d'apprentissage automatique dans laquelle le modèle est entraîné sur un ensemble d'entraînement non étiqueté.
Les principales tâches de l'apprentissage non supervisé sont la clustering, la détection d'anomalies et la réduction de dimensionnalité.
Clustering
Regroupe des points de données similaires en clusters sans étiquettes — par exemple, regrouper des e-mails sans savoir s'ils sont des spams ou non.
Détection d'anomalies
Identifie les points de données qui dévient des schémas normaux, comme des transactions par carte bancaire inhabituelles, sans avoir besoin d'étiquettes de fraude.
Réduction de dimensionnalité
Réduit le nombre de caractéristiques tout en préservant les informations importantes — également sans étiquettes.
Apprentissage par renforcement
L'apprentissage par renforcement diffère considérablement des deux types précédents. Il s'agit d'une technique utilisée pour entraîner des véhicules autonomes, des robots, des intelligences artificielles dans les jeux, et plus encore.
L'apprentissage par renforcement est une technique d'apprentissage automatique dans laquelle l'agent (par exemple, un robot aspirateur) apprend en prenant des décisions et reçoit une récompense si la décision est correcte et une punition si la décision est incorrecte.
Le dressage d'un chien à rapporter fonctionne de manière similaire à l'apprentissage par renforcement : les bonnes actions obtiennent une récompense, les mauvaises actions entraînent une punition, et le fait de rapporter la balle avec succès procure une récompense plus importante, renforçant ainsi le comportement souhaité.
1. Pour entraîner le modèle d'apprentissage automatique dans une tâche d'apprentissage supervisé, il est nécessaire que l'ensemble d'entraînement contienne une cible (soit étiqueté). Est-ce correct ?
2. Pour entraîner le modèle d'apprentissage automatique dans une tâche d'apprentissage non supervisé, il n'est pas nécessaire que l'ensemble d'entraînement contienne une cible (soit étiqueté). Est-ce correct ?
Merci pour vos commentaires !
