Apprentissage automatique (ML)

La programmation classique utilise des programmes (algorithmes) pour créer des résultats :

Le Machine Learning utilise les résultats pour créer des programmes (algorithmes) :

Apprentissage automatique

L'apprentissage automatique est souvent considéré comme équivalent à l'intelligence artificielle.

Ce n'est pas correct. L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle.

L'apprentissage automatique est une discipline de l'IA qui utilise des données pour enseigner aux machines.

Enseignement supervisé

L'apprentissage supervisé utilise des données étiquetées (données avec des réponses connues) pour former des algorithmes afin de :

• Classer les données
• Prédire les résultats

L'apprentissage supervisé peut classer des données comme "Qu'est-ce qu'un spam dans un e-mail", sur la base d'exemples de spam connus.

L'apprentissage supervisé peut prédire des résultats comme prédire le type de vidéo que vous aimez, en fonction des vidéos que vous avez lues.

Apprentissage non supervisé

L'apprentissage non supervisé est utilisé pour prédire des relations indéfinies comme des modèles significatifs dans les données.

Il s'agit de créer des algorithmes informatiques qui peuvent s'améliorer.

On s'attend à ce que l'apprentissage automatique passe à l'apprentissage non supervisé pour permettre aux programmeurs de résoudre des problèmes sans créer de modèles.

Apprentissage auto-supervisé

L'apprentissage auto-supervisé est similaire à l'apprentissage non supervisé car les deux fonctionnent avec des données sans étiquettes ajoutées par l'homme.

La différence est que l'apprentissage non supervisé utilise le regroupement, le regroupement et la réduction de la dimensionnalité, tandis que l'apprentissage auto-supervisé tire ses propres conclusions pour les tâches de régression et de classification.