Les machines sont entraînées sur des données qui sont déjà étiquetées. Par exemple, une machine peut être entraînée à reconnaître des visages en lui montrant des images de visages étiquetés comme "homme" ou "femme".
➥ Apprentissage supervisé par apprentissage automatique
les machines sont entraînées sur des données qui ne sont pas étiquetées. Par exemple, une machine peut être entraînée à identifier des groupes de données similaires en examinant les données elles-mêmes.
➥ Apprentissage non supervisé par apprentissage automatique
les machines sont entraînées à prendre des décisions en fonction des résultats de leurs actions. Par exemple, une machine peut être entraînée à jouer à un jeu en lui donnant des points pour ses bonnes actions et en lui retirant des points pour ses mauvaises actions.
➥ Apprentissage par renforcement par apprentissage automatique
L'apprentissage supervisé est le type d'apprentissage automatique le plus courant. Il est utilisé lorsque les données d'entraînement sont étiquetées. Les machines sont entraînées à apprendre la relation entre les données d'entrée et les données d'étiquette. Les tâches d'apprentissage supervisé peuvent être divisées en deux catégories principales :
Les machines sont entraînées à prédire une catégorie ou une classe pour une nouvelle donnée. Par exemple, une machine peut être entraînée à prédire si une image montre un chat ou un chien. ➥ Classification par apprentissage automatique
Les machines sont entraînées à prédire une valeur numérique pour une nouvelle donnée. Par exemple, une machine peut être entraînée à prédire le prix d'une maison en fonction de ses caractéristiques. ➥ Régression par apprentissage automatique
L'apprentissage non supervisé est utilisé lorsque les données d'entraînement ne sont pas étiquetées. Les machines sont entraînées à trouver des modèles dans les données sans aucune information sur ce que les données devraient représenter.
Les tâches d'apprentissage non supervisé peuvent être divisées en deux catégories principales :
- Clustering : les machines sont entraînées à regrouper des données similaires. Par exemple, une machine peut être entraînée à regrouper des clients en fonction de leurs habitudes d'achat.
➥ Clustering par apprentissage automatique - Association : les machines sont entraînées à identifier des règles qui relient les données. Par exemple, une machine peut être entraînée à identifier les produits qui sont souvent achetés ensemble.
➥ Association par apprentissage automatique
L'apprentissage par renforcement est un type d'apprentissage automatique plus avancé qui est utilisé lorsque les machines doivent apprendre à prendre des décisions dans un environnement dynamique. Les machines sont récompensées pour leurs bonnes actions et punies pour leurs mauvaises actions.
Les tâches d'apprentissage par renforcement peuvent être divisées en deux catégories principales :
- Jeu : les machines sont entraînées à jouer à des jeux. Par exemple, une machine peut être entraînée à jouer au jeu de Go.
➥ Apprentissage par renforcement par apprentissage automatique - Optimisation : les machines sont entraînées à trouver la meilleure solution à un problème. Par exemple, une machine peut être entraînée à trouver le chemin le plus court entre deux points.
Voici quelques exemples d'autres types d'apprentissage automatique :
- Apprentissage en profondeur :
une sous-catégorie de l'apprentissage supervisé qui utilise des réseaux de neurones artificiels pour apprendre des données. - Apprentissage par transfert :
une technique qui permet aux machines d'apprendre à partir de données d'une tâche similaire. - Apprentissage fongique :
une technique qui utilise des réseaux de neurones artificiels inspirés des champignons pour apprendre des données.
Les types d'apprentissage automatique continuent de se développer à mesure que les chercheurs développent de nouvelles techniques et que les capacités informatiques augmentent.