Apprentissage supervisé VS non-supervisé
Apprentissage supervisé VS non-supervisé
Apprentissage supervisé
Ce type d’apprentissage est celui que l’on fait sur des données étiquetées : les données d’entraînement contiennent la variable que l’on cherche à estimer pour les données test.
Exemple
On cherche à prédire la valeur de la facture d’électricité d’un appartement en fonction de plusieurs paramètres : le DPE, la surface, la date de construction… Dans notre jeu de données d’entraînement, on connaît déjà la valeur de la facture d’électricité. C’est donc un cas d’apprentissage supervisé. L’objectif de l’ordinateur est d’analyser les données d’entraînement, pour estimer la valeur de la facture d’électricité pour d’autres données.
Apprentissage non-supervisé
Ce type d’apprentissage est celui que l’on fait sur des données non-étiquetées : les données d’entraînement ne contiennent pas de valeur pour la variable à estimer par l’ordinateur.
Exemple
On cherche à classer des articles de presse par thème, à partir d’une base de données. Dans notre base de données, que ce soit parmi les données d’entraînement ou les données test, il n’y a pas encore de classification de ces articles de presse par thème. L’ordinateur cherche à estimer une variable pour laquelle il n’a pas de valeur observée, même dans la base d’entraînement. C’est donc de l’apprentissage non-supervisé.
Voir aussi : all(), any(), append(), count(), enumerate(), extend(), filter(), float() format() input(), int(), isdigit(), isinstance(), items(), join(), endswith(), list(), map(), max(), mean(), min(), pop(), range(), len(), startswith(), zip(), type(), get(), symmetric_difference(), keys(), difference()
Numpy : arange(), array(), delete(), hsplit(), hstack(), linspace(), logical_and(), logical_or(), polyfit()
Pandas : concat(), concatenate(), describe(), dict(), drop_duplicates(), dropna(), fillna(), from_dict(), groupby(), head(), iloc, info(), insert(), isin(), melt(), merge(), pivot_table(), read_csv(), read_excel(), rename(), where()
Machine Learning : F1-Score, Précision, Rappel, Normalisation, Courbe d’apprentissage, Les résidus, Régression VS classification, Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Accuracy, L’astuce du noyau, Bases d’apprentissage et de test, Classes linéairement séparables, Apprentissage supervisé VS non-supervisé, Coefficient de détermination R2, Validation croisée
N'hésitez pas à consulter nos formations sur cette page.