La langue française

Accueil > Dictionnaire > Définitions du mot « apprentissage non supervisé »

Apprentissage non supervisé

Définitions de « apprentissage non supervisé »

Wiktionnaire

Locution nominale - français

apprentissage non supervisé \a.pʁɑ̃.ti.sa.ʒ‿o.tɔ.ma.tik\ masculin

  1. (Intelligence artificielle) Apprentissage automatique dans lequel l’algorithme utilise un jeu de données brutes et obtient un résultat en se fondant sur la détection de similarités entre certaines de ces données.
Wiktionnaire - licence Creative Commons attribution partage à l’identique 3.0

France Terme

Apprentissage automatique dans lequel l’algorithme utilise un jeu de données brutes et obtient un résultat en se fondant sur la détection de similarités entre certaines de ces données.

Notes : L’apprentissage non supervisé est utilisé, par exemple, pour l’identification de comportements et la recommandation d’achats.

FranceTerme, Délégation générale à la langue française et aux langues de France

Étymologie de « apprentissage non supervisé »

Locution composée de apprentissage et de supervisé
Wiktionnaire - licence Creative Commons attribution partage à l’identique 3.0

Phonétique du mot « apprentissage non supervisé »

Mot Phonétique (Alphabet Phonétique International) Prononciation
apprentissage non supervisé aprɑ̃tisaʒ nɔ̃ sypɛrvise

Évolution historique de l’usage du mot « apprentissage non supervisé »

Source : Google Books Ngram Viewer, application linguistique permettant d’observer l’évolution au fil du temps du nombre d'occurrences d’un ou de plusieurs mots dans les textes publiés.

Citations contenant le mot « 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...  , Machine learning : définition, modèle, algorithme et langage
  • 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. Linformatique, Repérer des objets depuis l’espace est facile
  • Au sein du spectre du Machine Learning, il convient de faire la distinction entre les différentes méthodes et modèles. En effet, tous les types de Machine Learning ne se valent pas. Il convient par exemple de faire la distinction entre l’apprentissage supervisé et l’apprentissage non supervisé. Le Supervised Machine Learning ou apprentissage supervisé suppose l’existence de données catégorisées (données d’entrée) ainsi que de la variable cible (données de sortie). Le modèle en est dérivé, il examine ensuite les (nouvelles) données non catégorisées et détermine lui-même la variable cible pour celles-ci. Cette forme de machine learning est utilisée pour les prévisions, par exemple pour prévoir les intervalles de maintenance. Dans le cas de l’apprentissage automatique non supervisé, c’est le contraire qui se produit comme point de départ. Le logiciel n’a pas de variable cible (données de sortie), mais doit reconnaître des modèles ou proposer des solutions sur la base des données d’entrée. Ce type de machine learning est notamment utilisé en marketing pour déterminer des segments de clientèle, ce que l’on appelle le « clustering ». Mais il existe encore d’autres différences. Ainsi, il existe encore l’apprentissage partiellement supervisé, qui n’utilise qu’un petit nombre de données prédéfinies dans un grand nombre de données brutes pour entraîner le modèle, ainsi que l’apprentissage par renforcement, dans lequel le système apprend lui-même sur la base de règles prédéfinies. Les utilisateurs doivent donc choisir la méthode appropriée en fonction des données brutes et de la variable cible. 3Dnatives, Machine Learning : quelle est la place de l'intelligence artificielle dans la fabrication additive ? - 3Dnatives
  • Au cœur de cette approximation de la connaissance se situe donc la question mathématique de la discrimination et de celle du fonctionnement de l’apprentissage automatique. Celui-ci constitue le socle de nombreuses méthodes d’intelligence artificielle implémentées dans les systèmes actuels. Comme l’humain, la machine est capable d’apprendre à partir de l’expérience du passé comme de l’expérience vécue au présent.  L’apprentissage peut être supervisé, semi supervisé, non supervisé ou par renforcement pour les typologies les plus courantes. Il consiste à présenter des données labellisées (apprentissage supervisé) ou non (apprentissage non supervisé) à la machine pour qu’elle soit capable d’identifier de nouvelles données et de les classer de façon optimale. Le principe de l’apprentissage est de maximiser l’inter-classe pour minimiser l’intra-classe et donc de maximiser les marges pour obtenir une meilleure capacité à reconnaître une classe par rapport à d’autres. Actu IA, Intelligence artificielle vs intelligence superficielle - Actu IA
  • 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. Tech Tribune France, L'apprentissage Automatique Et La 5G Sont Cruciaux Pour Faire évoluer Le Métaverse - Tech Tribune France
  • 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. LeBigData.fr, Tendances IA 2022 : top 12 des prédictions à surveiller
  • 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.  Inserm, Intelligence artificielle et santé ⋅ Inserm, La science pour la santé
  • Il s’agit de la forme la plus avancée de ce qu’on appelle plus globalement l’« intelligence artificielle », qui tente de reproduire avec des machines le fonctionnement du cerveau humain. La forme la plus simple d’intelligence artificielle consiste à programmer des commandes précises. L’apprentissage profond, ou « deep learning » en anglais, repose sur plusieurs couches de « réseaux de neurones ». Chaque couche traite un niveau d’information-lettres, photos, couleurs par exemple – qui est renvoyé à la couche suivante pour un traitement supplémentaire, de plus en plus précis. On distingue l’apprentissage supervisé, où les données sont étiquetées généralement par des humains, de l’apprentissage non supervisé, où l’algorithme fait seul le tri. La Presse, Intelligence artificielle | Le « parrain » de l’apprentissage profond | La Presse
  • I.A. : Bien sûr ! Ce n’est pas que notre cerveau favorise l’exploitation, c’est que notre système éducatif ne sait administrer que l’exploitation, parce qu’on peut la noter, on peut la rendre prévisible. En réalité, l’exploitation c’est l’apprentissage supervisé. Et l’exploration, c’est l’apprentissage non supervisé. Ce n’est pas moi qui ait découvert cela, c’est le professeur britannique Sir Kenneth Robinson qui disait « l’école détruit la créativité et l’exploration ». Il démontrait sa théorie avec le test du trombone où il demandait à ses élèves de trouver toutes les utilisations possibles à cet objet. Et ce qu’il a pu constater avec ce test, c’est que le résultat décroît toujours avec le niveau éducatif, beaucoup plus qu’avec l’âge. Entreprendre, Idriss Aberkane : des vérités stupéfiantes
  • Cette méthode part de quelques photos en deux dimensions pour créer des séries d’images 3D réalistes de visages d’humains – ou de chats –, faisant varier l’angle de vue de façon fluide grâce à un apprentissage non supervisé (sans étiquettage préalable des données). Le problème de la synthèse de modèles 3D à partir de photos 2D n’est pas nouveau en soi, il représente un défi de longue date. La méthode fait appel à l’apprentissage profond dit « réseaux adverses génératifs » (generative adversarial networks ou GAN), où deux réseaux neuronaux sont mis en opposition, l’un pour créer des données et l’autre pour évaluer leur qualité, conduisant à leur amélioration. La nouveauté a été de coupler ce GAN à une technique de rendu en superrésolution. Le Monde.fr, Intelligence artificielle : des visages réalistes en 3D créés à la volée
  • 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. Génération-NT, Retour au bureau chez Apple : un directeur du machine learning démissionne
  • 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. ZDNet France, Qu'est-ce que l'IA ? Tout ce que vous devez savoir sur l'intelligence artificielle - ZDNet
  • Enfin, d'autres chercheurs travaillent sur l’apprentissage non supervisé. Un programme observe ce qui se passe autour de lui, et construit à partir de cette observation un modèle du monde. C’est essentiellement de cette façon que les oiseaux, les mammifères, que nous mêmes fonctionnons. Ce n’est pas si simple ; les algorithmes que nous concevons aujourd’hui attendent des prédictions du monde qui soient exactes, déterministes. Mais si vous laissez tomber un stylo (voir la photo ci-contre), vous ne pouvez pas prédire de quel côté il va tomber. Nos programmes d’apprentissage retiennent qu’il est tombé, par exemple, à gauche puis devant. Il faudrait apprendre qu’il peut tomber n’importe où aléatoirement. Il y a des travaux passionnants dans cette direction. Cela ouvre des portes pour de l’intelligence artificielle, au-delà de l’analyse de contenu. The Conversation, Autour de l'informatique. Yann LeCun : l’apprentissage profond avant tout
  • Nous pouvons noter ensuite que l’apprentissage par observation est commun à l’humain et l’IA et qu’une complémentarité apparaît. Le machine learning supervisé permet aux processus de l’IA d’apprendre et même de s’améliorer grâce aux erreurs et aux retours humains lui proposant de mieux catégoriser les données d’entrée. Il va ensuite améliorer l’exactitude et la fiabilité des données de sortie. Nous notons aussi qu’un apprentissage non supervisé est également possible en IA. Il s’agit d’un apprentissage autonome qui n’a pas besoin d’un signal d’erreur pour se corriger. Dans le cas humain, nous faisons référence à la loi de Hebb pour comprendre certaines fonctions cognitives comme la mémoire par exemple, cette loi renvoie aux neurones qui s’activent ensemble et se relient entre eux, pour former des connexions qui se renforcent avec le temps. The Conversation, Le paradoxe de R2-D2 ou celui d’une intelligence artificielle sous influence humaine
  • 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. Le Monde.fr, Comment le « deep learning » révolutionne l'intelligence artificielle
  • 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. LeMondeInformatique, Analyse de code : Intel publie en open source ControlFlag - Le Monde Informatique
  • 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. ZDNet France, Qu'est-ce que GPT-3 ? Tout ce que votre entreprise doit savoir sur le programme de langage d'IA d'OpenAI - ZDNet
  •  « Les algorithmes que nous avons utilisés ne sont pas extrêmement compliqués, c’est leur utilisation qui est originale et nouvelle, » commente Christophe Ambroise. En « Machine learning », il existe 2 grand types de techniques, toutes deux utilisées dans le projet : celles « d’apprentissage non supervisé » pour réaliser des résumés de données et les techniques « d’apprentissage supervisé », pour reproduire des comportements d’expert à partir d’exemples passés. Le laboratoire a d’abord utilisé un algorithme maison d’apprentissage non supervisé pour l’analyse d’images, une méthode géométrique basée sur la détection de rupture de signal radial qui permet ainsi de délimiter la zone d’inhibition. Complété par les diagnostics des microbiologistes de l’association, un algorithme d’apprentissage supervisé plus précis a été mis au point.  Le résultat est ensuite comparé avec la base de données définies par l’organisme européen Eucast pour fournir la réponse quant à l’antibiorésistance. Eucast recense les données épidémiologiques des laboratoires et définit les valeurs critiques des diamètres des zones d’inhibition. Plus de 2000 règles ont été intégrées dans le système expert permettant à l’application de signaler un mécanisme de résistance. L’équipe a bénéficié des bases de règles qu’utilise un fabricant français de lecteurs-incubateurs devenu partenaire du projet ; ce qui garantit la mise à jour annuelle des données dans l’application.  « Derrière l’intelligence artificielle, ce sont les informaticiens qui mettent en place tous les moyens de calcul, les statistiques, qui hiérarchisent les informations, traduisent les données en numérique, etc. », rappelle Franck Samson.  En février 2021, les résultats démontrant la faisabilité technique de l’application ont été publiés dans la revue Nature Communication. Aujourd’hui, ASTapp est accessible à un public restreint sous le contrôle de MSF et en attente d’une certification européenne concernant les dispositifs médicaux de diagnostic avant d’être mise à disposition sous licence Apache 2.0 sur Google play à destination d’un public plus large. INRAE Institutionnel, Une application mobile professionnelle pour seconder les médecins dans la lutte contre l’antibiorésistance | INRAE INSTIT
  • Nous pouvons noter ensuite que l’apprentissage par observation est commun à l’humain et l’IA et qu’une complémentarité apparaît. Le machine learning supervisé permet aux processus de l’IA d’apprendre et même de s’améliorer grâce aux erreurs et aux retours humains lui proposant de mieux catégoriser les données d’entrée. Il va ensuite améliorer l’exactitude et la fiabilité des données de sortie. Nous notons aussi qu’un apprentissage non supervisé est également possible en IA. Il s’agit d’un apprentissage autonome qui n’a pas besoin d’un signal d’erreur pour se corriger. Dans le cas humain, nous faisons référence à la loi de Hebb pour comprendre certaines fonctions cognitives comme la mémoire par exemple, cette loi renvoie aux neurones qui s’activent ensemble et se relient entre eux, pour former des connexions qui se renforcent avec le temps. Numerama, Connaissez-vous le paradoxe de R2-D2 ? L'IA sous influence humaine - Numerama
  • 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. Mediapart, Intelligence artificielle : Comprendre le Deep et le Machine Learning | Le Club

Images d'illustration du mot « apprentissage non supervisé »

⚠️ Ces images proviennent de Unsplash et n'illustrent pas toujours parfaitement le mot en question.

Vidéos relatives au mot « apprentissage non supervisé »

Apprentissage non supervisé

Retour au sommaire ➦

Partager