Types d'apprentissage automatique : supervisé et non supervisé

Le machine learning se divise en trois grandes familles selon la façon dont l'algorithme apprend : l'apprentissage supervisé (à partir de données étiquetées), non supervisé (sans étiquettes) et par renforcement (par essais et erreurs). Choisir la bonne famille dépend d'une seule question : disposez-vous d'exemples déjà « corrigés » de ce que vous voulez prédire ?

Cette leçon définit chaque type d'apprentissage, donne un exemple concret, cite les algorithmes associés et leurs cas d'usage, puis explique comment choisir. Elle prolonge la présentation du machine learning et la leçon sur la data science, et prépare le choix du problème à résoudre.

Ce que vous allez apprendre

• Distinguer apprentissage supervisé, non supervisé et par renforcement.
• Associer chaque famille à ses algorithmes et cas d'usage.
• Reconnaître le cas particulier de l'apprentissage semi-supervisé.
• Choisir le bon type selon vos données et votre objectif.

Apprentissage supervisé

Dans l'apprentissage supervisé, vous fournissez à l'algorithme des données déjà étiquetées : chaque exemple est accompagné de la bonne réponse. C'est un professeur qui corrige les devoirs d'un élève jusqu'à ce qu'il réussisse aussi sur des exercices nouveaux : on dit qu'il généralise.

Exemple concret : pour prédire le prix d'une maison, vous donnez des données historiques (surface, nombre de pièces, quartier) et les prix réels correspondants. L'algorithme apprend la relation, puis estime le prix de nouvelles maisons.

Le supervisé se scinde en deux problèmes selon la nature de la réponse :

• Régression : prédire une valeur continue (prix, température, durée). Algorithmes : régression linéaire, arbres de régression.
• Classification : prédire une catégorie (spam ou non, malade ou sain). Algorithmes : régression logistique, k plus proches voisins, forêts aléatoires.

Cas d'usage courants : détection de spam, diagnostic médical assisté, prévision de ventes, notation de crédit.

Apprentissage non supervisé

Dans l'apprentissage non supervisé, les données n'ont pas d'étiquettes. L'algorithme explore seul et fait émerger des structures cachées, sans qu'on lui dise quoi chercher.

Exemple concret : à partir d'une base de clients, l'algorithme regroupe automatiquement ceux qui ont des comportements similaires (segmentation), sans consigne préalable.

Les deux tâches principales sont :

• Clustering : regrouper les données par similarité (k-means, DBSCAN).
• Réduction de dimension : simplifier des données complexes en gardant l'essentiel (PCA, analyse en composantes principales), utile pour visualiser ou accélérer un modèle.

Cas d'usage courants : segmentation marketing, détection d'anomalies bancaires, moteurs de recommandation, compression de données.

Apprentissage supervisé ou non supervisé ?

C'est la distinction la plus importante en pratique, et elle tient à une seule question : disposez-vous d'étiquettes ? Ce comparatif résume tout :

Critère	Supervisé	Non supervisé
Données	Étiquetées (réponse connue)	Non étiquetées
Objectif	Prédire une valeur ou une classe	Découvrir des structures cachées
Tâches types	Régression, classification	Clustering, réduction de dimension
Évaluation	Simple (comparaison à la vérité)	Difficile (pas de vérité de référence)
Exemples	Spam, prix, diagnostic	Segmentation, anomalies

Glissez pour voir

En résumé, le supervisé répond à « quelle est la bonne réponse ? » quand vous la connaissez déjà sur vos exemples, tandis que le non supervisé répond à « quelles structures existent dans ces données ? » sans réponse préétablie.

Apprentissage semi-supervisé

L'apprentissage semi-supervisé n'est pas une quatrième famille mais un cas intermédiaire entre les deux précédentes : il utilise quelques données étiquetées et beaucoup de données non étiquetées. Il est utile quand l'étiquetage coûte cher, par exemple pour faire annoter des images médicales par des spécialistes.

Les rares exemples corrigés servent de repères pour guider l'exploration de toutes les autres données, ce qui réunit une partie des atouts du supervisé et du non supervisé.

Apprentissage par renforcement

L'apprentissage par renforcement fonctionne comme le dressage : l'agent (le programme qui apprend et agit) reçoit une récompense quand il agit bien, une pénalité quand il se trompe, et optimise sa stratégie par essais et erreurs.

Exemple concret : un robot qui apprend à marcher essaie des mouvements, tombe, se relève, et découvre peu à peu la séquence qui fonctionne le mieux.

Cas d'usage courants : robots autonomes, jeux (AlphaGo), véhicules autonomes, optimisation de systèmes complexes. C'est une famille exigeante en calcul, et rarement le point de départ d'un débutant.

Comment choisir le bon type

Le choix découle directement de vos données et de votre objectif :

Votre situation	Type d'apprentissage
J'ai des exemples étiquetés et je veux prédire une valeur ou une classe	Supervisé
J'ai des données sans étiquettes et je cherche des groupes ou des anomalies	Non supervisé
Peu d'étiquettes, beaucoup de données brutes	Semi-supervisé
Un agent doit apprendre à décider dans un environnement	Par renforcement

Glissez pour voir

Côté exploitation, on rencontre trois situations typiques. Prévoir la latence d'un service à partir de sa charge est une régression (valeur continue). Prédire si un incident va survenir dans l'heure est une classification (oui ou non). Repérer des machines au comportement inhabituel, sans historique d'incidents étiquetés, relève du non supervisé.

Pour un premier projet, visez l'apprentissage supervisé : il est le plus concret, le mieux outillé, et la bibliothèque scikit-learn permet d'entraîner un modèle en quelques lignes.

La leçon suivante prépare votre poste de travail : un environnement conda aux versions épinglées, où tournera scikit-learn.

À retenir

1. Trois familles : supervisé (données étiquetées), non supervisé (sans étiquettes), par renforcement (essais et erreurs).
2. Le supervisé se divise en régression (valeur) et classification (catégorie).
3. Le non supervisé fait du clustering et de la réduction de dimension.
4. Le semi-supervisé comble le manque d'étiquettes quand l'annotation coûte cher.
5. Débutez par le supervisé : le plus accessible et le plus courant.

Contrôle de connaissances

Validez vos connaissances avec ce quiz interactif

6 questions

6 min.

70% requis

Informations

• Le chronomètre démarre au clic sur Démarrer
• Questions à choix multiples, vrai/faux et réponses courtes
• Vous pouvez naviguer entre les questions
• Les résultats détaillés sont affichés à la fin

Démarrer le quiz

Lance le quiz et démarre le chronomètre

×

📖 Voir la documentation →