Apprentissage non supervisé

L'apprentissage non supervisé est une classe d'apprentissage automatique qui trouve une structure dans des données non étiquetées — groupes, motifs ou valeurs aberrantes — sans qu'on lui indique les bonnes réponses. Il est largement utilisé en industrie pour la détection d'anomalies, là où les données de défaillance étiquetées sont rares.

Comme des exemples étiquetés de chaque défaut sont rarement disponibles en milieu industriel, les méthodes non supervisées sont précieuses : elles apprennent le motif normal d'exploitation à partir de données historiques et signalent les écarts. Les techniques incluent le partitionnement (clustering), la réduction de dimension et les auto-encodeurs. Le compromis est que, sans étiquettes, le modèle repère qu'une chose est inhabituelle mais pas nécessairement ce qu'elle signifie, de sorte que ses sorties demandent souvent une interprétation d'ingénierie.

Termes liés

Supervised Learning · Anomaly Detection · Machine Learning (Industrial)