Apprentissage de représentation

L'apprentissage de représentation est un processus en apprentissage automatique où les algorithmes extraient des motifs significatifs à partir de données brutes pour créer des représentations plus faciles à comprendre et à manipuler. Ces représentations peuvent être conçues pour être interprétables, révéler des caractéristiques cachées ou être utilisées pour l'apprentissage par transfert. Elles ont une valeur considérable dans des tâches fondamentales telles que la classification et la recherche d'images. L'apprentissage supervisé de représentation utilise des données étiquetées pour apprendre des représentations capables de résoudre d'autres tâches ; l'apprentissage non supervisé de représentation, quant à lui, apprend ces représentations à partir de données non étiquetées, réduisant ainsi le besoin de données étiquetées lorsqu'il s'agit d'aborder de nouvelles tâches. Ces dernières années, l'apprentissage auto-supervisé est devenu une force motrice majeure derrière l'apprentissage non supervisé de représentation, notamment dans les domaines de la vision par ordinateur et du traitement du langage naturel.