Quels sont les principaux types d'apprentissage automatique ?

Question

Accepted Answer

L'apprentissage automatique compte trois types principaux — **l'apprentissage supervisé** (apprentissage à partir d'exemples étiquetés), **l'apprentissage non supervisé** (détection de motifs dans des données non étiquetées), et **l'apprentissage par renforcement** (apprentissage par essai et récompense). Les comprendre clarifie comment le ML aborde différents problèmes.

## Les trois principaux types

```text
SUPERVISED LEARNING → learn from LABELED data (input → known correct output):
  → trained on examples with answers → learns to predict outputs for new inputs
  → for: classification (categorize), regression (predict numbers)
  → e.g. spam detection (labeled spam/not-spam), price prediction
UNSUPERVISED LEARNING → find patterns in UNLABELED data (no given answers):
  → discovers structure/groupings on its own
  → for: clustering (group similar items), dimensionality reduction, anomaly detection
  → e.g. customer segmentation, finding patterns
REINFORCEMENT LEARNING → learn through TRIAL and ERROR with REWARDS:
  → an agent takes actions, gets rewards/penalties, learns to maximize reward over time
  → for: game playing, robotics, control, decision-making
```

## Choisir le type

```text
→ have LABELED data + want to predict outputs → SUPERVISED (most common in practice)
→ have unlabeled data + want to find structure → UNSUPERVISED
→ an agent learning from interaction/rewards → REINFORCEMENT
→ (also: semi-supervised, self-supervised — hybrids; LLMs use self-supervised learning)
```

## Pourquoi c'est important

Comprendre les principaux types d'apprentissage automatique est fondamental car ils représentent **les façons fondamentales dont le ML aborde les problèmes**, donc les comprendre est une littératie ML basique.

Les trois principaux types conviennent chacun à différents problèmes et données.

Comprendre **l'apprentissage supervisé** (apprentissage à partir de données étiquetées où les entrées ont des sorties correctes connues, pour prédire les sorties pour de nouvelles entrées, utilisé pour la classification et la régression — le type le plus courant en pratique, par exemple la détection de spam et la prédiction de prix) est le type le plus important à comprendre, car il sous-tend la plupart des applications ML pratiques.

Comprendre **l'apprentissage non supervisé** (détection de motifs dans des données non étiquetées sans réponses données, découverte de structure et de regroupements, utilisé pour le clustering, la réduction de dimensionnalité et la détection d'anomalies, par exemple la segmentation clientèle) clarifie comment le ML trouve des motifs sans étiquettes.

Comprendre **l'apprentissage par renforcement** (apprentissage par essai et erreur avec récompenses, où un agent prend des actions et apprend à maximiser la récompense, utilisé pour jouer à des jeux, la robotique et le contrôle) clarifie l'approche d'apprentissage basée sur l'interaction.

Comprendre **comment choisir** — supervisé quand vous avez des données étiquetées et voulez prédire, non supervisé pour trouver de la structure dans des données non étiquetées, apprentissage par renforcement pour les agents apprenant de l'interaction — et qu'il existe des hybrides (semi-supervisé, auto-supervisé, avec les LLM utilisant l'apprentissage auto-supervisé) reflète une compréhension pratique des approches ML.

Ces types sont les catégories fondamentales de la façon dont le ML apprend, et les comprendre est essentiel pour discuter et appliquer le ML.

Comme les principaux types d'apprentissage automatique (supervisé, non supervisé, apprentissage par renforcement) représentent les façons fondamentales dont le ML aborde les problèmes et comprendre chacun d'eux et quand ils s'appliquent est une littératie ML basique, comprendre les principaux types d'apprentissage automatique est une connaissance essentielle et fondamentale — les catégories fondamentales du ML (apprentissage à partir d'étiquettes, détection de motifs, apprentissage à partir de récompenses), littératie ML basique pour comprendre comment le ML aborde différents problèmes, et fondamental pour travailler avec ou discuter d'apprentissage automatique.