Apprentissage non superviséIl s'agit d'une méthode d'apprentissage qui ne fournit pas l'identification de catégorie correspondante pour l'ensemble d'apprentissage et qui est généralement applicable aux situations où il existe un ensemble de données mais pas d'étiquettes.

Fonctionnalités d'apprentissage non supervisé

• Les données utilisées ne sont pas étiquetées, c'est-à-dire que le résultat de sortie correspondant aux données d'entrée est inconnu, et il ne peut trouver que des modèles de données et des règles par lui-même, tels que le clustering et la détection d'anomalies ;
• Son but est de classer les données originales afin de comprendre la structure interne des données ;
• Au cours de l’apprentissage, on ne sait pas si le résultat de la classification est correct, c’est-à-dire qu’aucune amélioration supervisée n’est reçue ;
• Un tel réseau est uniquement alimenté par des exemples d'entrée, et il trouve automatiquement des règles de classe latentes à partir de ces exemples, les apprend et les teste, puis les applique à de nouveaux cas.

L'apprentissage automatique est actuellement divisé en apprentissage supervisé, apprentissage non supervisé et apprentissage semi-supervisé, et les critères de classification sont de savoir si les échantillons d'entraînement contiennent des résultats étiquetés par l'homme.

Termes connexes : apprentissage supervisé, apprentissage semi-supervisé

Sous-mots : algorithme Apriori, algorithme K-Means