Supervised learning, unsupervised learning, reinforcement learning : quelles différences ?

Dans la famille Learning de l’intelligence artificielle, il n’y a pas que le machine learning et le deep learning.

Définitions simples des trois rejetons : le supervised learning, l’unsupervised learning, et le reinforcement learning.

Définition simple du supervised learning

🟩 L’apprentissage supervisé, en bon français, désigne une méthode dans le domaine du machine learning. Le principe de base de l’apprentissage supervisé consiste à former un programme à prédire un résultat en fonction des occurrences constatées dans une base d’exemples. Cela se fait en général par la classification, par la détection d’anomalies, ou encore en établissant des probabilités dans un contexte donné.

Par exemple, le supervised learning peut être appliqué dans la détection de spams.

Définition simple de l’unsupervised learning

 🟧  Contrairement à l’apprentissage supervisé, l’apprentissage non-supervisé permet à un programme de produire un résultat sans supervision, en utilisant des données brutes. Selon la Commission nationale de l’informatique et des libertés (CNIL), l’unsupervised learning fonctionne sur le principe de la détection de similarités entre les données étudiées.

Cette méthode peut être utilisée par les algorithmes de recommandation pour prédire un comportement ou besoin en fonction des habitudes de navigation.

Définition simple du reinforcement learning

🟥  L’apprentissage par renforcement enseigne à un programme à fonctionner de manière autonome en le confrontant à des situations différentes dont il tire des leçons.

Au fil des expériences, le système recherche un comportement décisionnel optimal qui maximise la somme des récompenses, comme l’explique là aussi la CNIL.