Exploiter les données en vie réelle : focus sur les algorithmes
L’apprentissage semi-supervisé
Définition et types d’algorithmes
Comme son nom l’indique, l’apprentissage semi-supervisé se situe entre l’apprentissage supervisé et l’apprentissage non-supervisé. Cette méthode est employée lorsque seule une partie des données d’entrée est étiquetée.
Les algorithmes sont développés pour apprendre des données étiquetées et des données non-étiquetées afin de produire un modèle d’analyse mixte.
Cet apprentissage peut être mené en étape successives (l’algorithme apprend d’abord sur les données étiquetées puis approfondit son apprentissage sur les données brutes pour affiner le modèle) ou parallèle (l’algorithme réalise deux apprentissages: un sur les données étiquetées, un sur les données brutes, avant de converger sur une méthode unique).
Le principal intérêt de ce modèle est qu’il ne nécessite que quelques données étiquetées, réduisant de fait la charge de préparation des données qui peut s’avérer longue et coûteuse lorsque les sources de données à exploiter sont volumineuses et complexes.
Les différents modèles d’apprentissage
Plusieurs modèles d’apprentissage automatique peuvent être envisagés. Chacun de ces modèles a ses spécificités et permet de répondre à des objectifs précis. Ces modèles peuvent mettre en œuvre un algorithme, ou en combiner plusieurs (ensemble learning). Les principaux modèles sont présentés dans la section suivante :
