Glossaire

Apprentissage non supervisé

Qu’est-ce que Apprentissage non supervisé ?

En apprentissage non supervisé, un modèle reçoit des données sans réponses correctes prédéfinies et recherche lui-même des structures. Les méthodes typiques sont le clustering, qui regroupe les enregistrements similaires, et la réduction de dimension, qui condense de nombreuses variables en quelques-unes essentielles. Les entreprises s'en servent pour découvrir des segments de clientèle ou repérer des transactions inhabituelles ; les groupes obtenus doivent ensuite être interprétés par des experts métier.

Thèmes

Machine learning
Clustering
Notions de base

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Apprentissage supervisé

En apprentissage supervisé, un modèle apprend à partir d'exemples dont la bonne réponse est déjà connue, par exemple des e-mails étiquetés « spam » ou « non spam ». Il en déduit des règles pour classer de nouveaux cas ou prédire des valeurs. Les tâches typiques sont la classification et la régression ; l'essentiel de l'effort consiste à produire des données correctement annotées.

Machine learning
Entraînement
+1

Clustering

Le clustering (partitionnement) est une méthode d'apprentissage non supervisé qui répartit des données en groupes selon leur similarité, sans catégories définies à l'avance. Il fait apparaître des structures que personne n'avait encore nommées, par exemple des segments de clients aux comportements d'achat proches. Appliqué aux textes, il permet de classer des centaines de demandes clients par thème – livraison, facturation, réclamation – et d'en dégager les priorités.

apprentissage non supervisé
regroupement
+1

Modèle

Partitionnement en k-moyennes (k-means)

Les k-moyennes (k-means) sont une méthode d'apprentissage non supervisé qui répartit des données en un nombre k de groupes fixé à l'avance. Chaque point est affecté au centre de groupe le plus proche, puis les centres sont recalculés jusqu'à ce que les affectations ne changent presque plus. La méthode est rapide et intuitive, mais suppose un choix pertinent de k et des variables à des échelles comparables. Exemple : regrouper des clients selon leur fréquence d'achat et leur panier moyen.

Clustering
Apprentissage non supervisé
+1

Modèle

Réduction de dimension

La réduction de dimension diminue le nombre de variables d'un jeu de données sans perdre l'information essentielle. Parmi les méthodes connues figurent l'analyse en composantes principales (ACP) ainsi que t-SNE et UMAP, souvent utilisées pour la visualisation. Elle accélère les calculs, réduit le risque de surapprentissage et rend les données lisibles – par exemple en projetant des centaines d'attributs clients sur une carte en deux dimensions où les clients semblables sont proches.

analyse de données
ACP
+1