Accueil > Citations > Citations sur l'apprentissage non supervisé

Citations sur l'apprentissage non supervisé

Il y a 11 citations sur l'apprentissage non supervisé.

• Quant à l'apprentissage non supervisé, il décode les informations de contexte des données d'entrainement et la logique qui en découle, sans recourir à une source de connaissances préétablie. Les données ne sont ni annotées ni étiquetées. Dans cette catégorie, on retrouve les algorithmes de clustering (comme K-means) conçus pour partager les données en groupes similaires.  Ils peuvent permettre par exemple de réaliser des regroupements par typologies de clients, en fonction de caractéristiques de profils, de comportements d'achat similaires... 

• Ces stratégies font appel à un processus connu sous le nom d' »apprentissage non supervisé ». À cette fin, les chercheurs fournissent à un réseau neuronal une grande quantité de données non étiquetées, puis le laissent libre de trouver des modèles et des attributs par lui-même.

• L’apprentissage non supervisé est un algorithme d’apprentissage permettant de découvrir des modèles cachés dans des données non étiquetées (annotées). Un exemple est la segmentation des clients en différents clusters. Les exemples incluent le clustering avec K-Means et la découverte de modèles. Une technique puissante issue du Deep Learning, connue sous le nom de Generative Adversarial Networks (GAN), utilise un apprentissage non supervisé.

• En 2022, les techniques d’apprentissage non supervisé seront améliorées et appliquées à un éventail beaucoup plus large de cas d’utilisation. Les algorithmes d’IA/ML rencontrés au niveau des entreprises seront alors plus autonomes et nécessiteront moins d’interactions avec les utilisateurs.

• Les algorithmes d’apprentissage non supervisé (sans apprentissage préalable sur des échantillons) suscitent également des espoirs dans ce domaine : ils permettent en effet de recouper rapidement un très grand nombre de données afin d’établir des structures cachées et de déterminer des catégories d’intérêt pour la tâche visée. On espère de cette façon pouvoir mieux identifier des facteurs de risques, personnaliser les traitements et en vérifier l’efficacité, prédire les épidémies ou améliorer la pharmacovigilance. 

• Connu pour être l'inventeur de la technologie GAN (Generative Adversarial Network) de réseaux antagonistes génératifs qui sont des algorithmes d'apprentissage non supervisé notamment exploités dans la technique de deepfake, Ian Goodfellow a quitté Apple.

• Comme nous l'avons mentionné, l'apprentissage automatique est un sous-ensemble de l'IA et est généralement divisé en deux catégories principales : l'apprentissage supervisé et l'apprentissage non supervisé.

• Qui plus est, on sait désormais construire des réseaux de neurones plus complexes, et le développement de l'apprentissage non supervisé a, lui aussi, également contribué à donner une nouvelle dimension au deep learning. « On est passé en cinq ans de techniques qui ne fonctionnaient pas vraiment à des techniques qui marchent. Un cap a été franchi », assure le chercheur Yann Ollivier.

• ControlFlag fonctionne avec plusieurs langages de programmation contenant des structures de contrôle (c'est-à-dire des blocs de code qui spécifient le flux de contrôle dans une application). L’outil vise à réduire le travail de débogage en tirant parti de l'apprentissage non supervisé. Il s’agit d’un algorithme soumis à des données « inconnues » pour lesquelles il n'existe pas de catégories ou d'étiquettes préalablement définies. Le système de machine learning de ControlFlag, dans ce cas doit apprendre à classer les données, en traitant les données non étiquetées pour apprendre de leur structure inhérente.

• Cette liberté a préparé le terrain pour une autre innovation qui est arrivée en 2015 et qui est encore plus centrale dans le travail d'OpenAI, à savoir l'apprentissage non supervisé.

• Dans l'apprentissage non supervisé, les données sont non étiquetées, de sorte que l'algorithme d'apprentissage trouve tout seul des points communs parmi ses données d'entrée. Les données non étiquetées étant plus abondantes que les données étiquetées, les méthodes d'apprentissage automatique qui facilitent l'apprentissage non supervisé sont particulièrement utiles.