L'apprentissage par représentation, également connu sous le nom d'apprentissage par représentation, est une méthode qui utilise l'apprentissage automatique pour obtenir une expression vectorisée de chaque entité ou relation afin que des informations utiles puissent être extraites plus facilement lors de la création de classificateurs ou d'autres variables prédictives.

Dans l’apprentissage automatique, l’apprentissage des représentations est une intégration technique de l’apprentissage des caractéristiques : c’est-à-dire la conversion de données brutes en une forme exploitable par l’apprentissage automatique. Il évite l'extraction manuelle fastidieuse des fonctionnalités et permet d'apprendre à utiliser les fonctionnalités tout en maîtrisant la méthode d'extraction.

Classification de l'apprentissage par représentation

Il existe deux principaux types d’apprentissage de la représentation : l’apprentissage de la représentation supervisé et l’apprentissage de la représentation non supervisé.

• Apprentissage de représentation supervisé : les données étiquetées sont utilisées comme fonctionnalités pour l'apprentissage, telles que les réseaux neuronaux, les perceptrons multicouches et l'apprentissage par dictionnaire supervisé ;
• Apprentissage de représentation non supervisé : les données non étiquetées sont utilisées comme fonctionnalités pour l'apprentissage, telles que l'apprentissage de dictionnaire non supervisé, l'analyse des composants indépendants, l'auto-encodage, la décomposition matricielle, l'analyse de cluster et leurs variations.

Mots apparentés : apprentissage automatique