Q:
Quelle est la différence entre l'apprentissage supervisé, non supervisé et semi-supervisé?
UNE:La principale différence entre l'apprentissage supervisé et non supervisé dans l'apprentissage automatique est l'utilisation des données de formation.
L'apprentissage supervisé utilise des exemples de données pour montrer à quoi ressemblent les données «correctes». Les données sont structurées pour montrer les sorties des entrées données.
Un algorithme d'apprentissage automatique qui classe les fruits peut avoir des images de fruits comme les pommes, les bananes, les raisins et les oranges en entrée et les noms de ces fruits en sortie.
Un exemple concret serait les filtres anti-spam bayésiens dans les programmes de messagerie. Ces filtres sont formés avec des exemples d'e-mails considérés comme du spam. Le filtre anti-spam peut alors rechercher certaines phrases qui apparaissent dans les e-mails qui se produisent dans les e-mails de spam et les déplacer vers un dossier de spam.
C'est comme montrer à un humain comment faire une nouvelle tâche. Une personne effectuant la saisie de données peut voir des exemples de données dans un format souhaité par l'entreprise et doit ensuite les suivre.
Les programmes d'apprentissage automatique utilisant l'apprentissage supervisé réitèrent plusieurs fois les données de formation. Les résultats peuvent être impressionnants quand ça se passe vraiment. Le filtre anti-spam Gmail de Google est très précis car il y a tellement d'utilisateurs qui le forment.
L'apprentissage non supervisé ne contient aucune donnée de formation préalable. Dans notre exemple de classification des fruits, un algorithme pourrait simplement montrer des images de fruits et être invité à les classer.
L'apprentissage non supervisé a des applications dans les études de marché en apprenant les habitudes d'achat des clients, ou la sécurité en surveillant les modèles de piratage.
L'apprentissage semi-supervisé tente de trouver un terrain d'entente en étiquetant certaines des données. Par exemple, la pomme et l'orange peuvent être étiquetées dans le programme de classification des fruits, mais la banane et les raisins ne le sont pas.
Quand utiliser l'un de ces algorithmes dépendra du type de données utilisées. Certaines tâches ont des schémas stables, comme la fraude par carte de crédit ou les spams. L'apprentissage supervisé convient à ce type de tâches. Les attaques de réseau sont imprévisibles et des méthodes d'apprentissage non supervisées ou semi-supervisées peuvent être plus appropriées.
