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 sera nécessaire ;
-
Classification (par exemple, classer un e-mail comme spam/non-spam) : un ensemble d'entraînement étiqueté comme spam/non-spam sera 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 tâches d'apprentissage non supervisé les plus courantes sont la clusterisation, la détection d'anomalies et la réduction de dimensionnalité.
Clusterisation
Processus de regroupement de points de données similaires en clusters. Il n'est pas nécessaire d'étiqueter les données pour cela. Par exemple, un ensemble d'entraînement d'e-mails sans étiquettes spam/ham convient.
Détection d'anomalies
Processus de détection des écarts par rapport au comportement normal des données. Par exemple, la détection de fraude dans les transactions par carte bancaire. Il n'est pas nécessaire d'étiqueter fraude/pas fraude. Il suffit de fournir les informations de transaction à un modèle, qui déterminera si la transaction se démarque.
Réduction de dimensionnalité
Processus de réduction du nombre de dimensions tout en conservant autant d'informations pertinentes que possible. Aucune étiquette n'est requise non plus.
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 bien 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.
Imaginez entraîner un chien à rapporter une balle. Le chien recevrait une récompense (comme une friandise ou des félicitations) pour avoir ramassé la balle et l'avoir rapprochée de son propriétaire. Il recevrait une punition (comme l'absence de friandise ou un ton déçu) s'il court dans la mauvaise direction ou se laisse distraire. De plus, il obtiendrait une grande récompense une fois qu'il a réussi à récupérer la balle et à la rapporter à son propriétaire.
1. Pour entraîner le modèle d'apprentissage automatique pour 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 pour 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 main differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are some common algorithms used in supervised, unsupervised, and reinforcement learning?
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 sera nécessaire ;
-
Classification (par exemple, classer un e-mail comme spam/non-spam) : un ensemble d'entraînement étiqueté comme spam/non-spam sera 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 tâches d'apprentissage non supervisé les plus courantes sont la clusterisation, la détection d'anomalies et la réduction de dimensionnalité.
Clusterisation
Processus de regroupement de points de données similaires en clusters. Il n'est pas nécessaire d'étiqueter les données pour cela. Par exemple, un ensemble d'entraînement d'e-mails sans étiquettes spam/ham convient.
Détection d'anomalies
Processus de détection des écarts par rapport au comportement normal des données. Par exemple, la détection de fraude dans les transactions par carte bancaire. Il n'est pas nécessaire d'étiqueter fraude/pas fraude. Il suffit de fournir les informations de transaction à un modèle, qui déterminera si la transaction se démarque.
Réduction de dimensionnalité
Processus de réduction du nombre de dimensions tout en conservant autant d'informations pertinentes que possible. Aucune étiquette n'est requise non plus.
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 bien 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.
Imaginez entraîner un chien à rapporter une balle. Le chien recevrait une récompense (comme une friandise ou des félicitations) pour avoir ramassé la balle et l'avoir rapprochée de son propriétaire. Il recevrait une punition (comme l'absence de friandise ou un ton déçu) s'il court dans la mauvaise direction ou se laisse distraire. De plus, il obtiendrait une grande récompense une fois qu'il a réussi à récupérer la balle et à la rapporter à son propriétaire.
1. Pour entraîner le modèle d'apprentissage automatique pour 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 pour 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 !
