Unsupervised Learning

L’apprentissage non supervisé est la branche du machine learning qui repère des structures dans les données sans étiquettes. Le modèle ne reçoit que des entrées, comme des images, des relevés de capteurs ou des dossiers clients, et apprend leur organisation : quels exemples se ressemblent, quelles caractéristiques varient ensemble et quels points diffèrent du reste. L’apprentissage supervisé exige une réponse correcte pour chaque exemple d’entraînement, alors que la plupart des données collectées n’en ont pas ; les méthodes non supervisées servent donc souvent à explorer un nouveau jeu de données et fournissent les regroupements, les caractéristiques compactes et les scores d’anomalie sur lesquels s’appuient les modèles ultérieurs.

Principales familles de méthodes#

Le regroupement rassemble les exemples similaires. Le regroupement K-means affecte chaque point au centroïde le plus proche parmi k centroïdes ; DBSCAN développe des groupes à partir de régions denses et étiquette les points isolés comme du bruit ; et les modèles de mélange gaussien ajustent des distributions de probabilité qui se chevauchent à l’aide de l’algorithme espérance-maximisation.

La réduction de dimensionnalité condense de nombreuses caractéristiques en quelques-unes qui conservent l’essentiel de l’information. L’analyse en composantes principales (PCA) détermine les directions de variance maximale, et t-SNE et UMAP projettent des points de grande dimension sur une carte 2D pour la visualisation des données. Les autoencodeurs apprennent le même type de compression avec un réseau neuronal qui doit reconstruire ses propres entrées.

L’estimation de densité modélise la probabilité de chaque entrée ; elle permet de détecter les anomalies à partir des seules données normales : un modèle entraîné uniquement sur des pièces intactes ou des transactions habituelles signale tout élément qu’il juge improbable. L’exploration de règles d’association, comme l’algorithme Apriori, repère les éléments qui apparaissent ensemble dans des paniers d’achat ou des journaux d’événements.

Apprendre et évaluer sans étiquettes#

En l’absence de cibles, chaque méthode optimise un critère défini à partir des entrées elles-mêmes : K-means minimise la distance entre les points et le centre de leur groupe, PCA et les autoencodeurs minimisent l’erreur de reconstruction, et les modèles de mélange maximisent la vraisemblance des données. La précision ne peut pas être mesurée directement ; les résultats sont donc évalués à l’aide de scores internes comme le coefficient de silhouette, selon l’utilité des résultats pour les tâches en aval, ou par comparaison avec des étiquettes réservées à la seule évaluation.

Cet exemple scikit-learn regroupe 1 797 images de chiffres manuscrits selon leurs valeurs de pixel, puis compare les groupes aux étiquettes des chiffres que l’algorithme n’a jamais vues :

from sklearn.cluster import KMeans
from sklearn.datasets import load_digits
from sklearn.metrics import adjusted_rand_score

# Load 1,797 handwritten digit images as 64 pixel values each, then set the labels aside
X, y = load_digits(return_X_y=True)

# Group the images into 10 clusters using the pixels alone
kmeans = KMeans(n_clusters=10, n_init=10, random_state=0)
clusters = kmeans.fit_predict(X)

# Compare the clusters with the digit labels the model never saw
print(f"Adjusted Rand index: {adjusted_rand_score(y, clusters):.2f}")

L’indice de Rand ajusté vaut 1,0 pour une correspondance parfaite et environ 0 pour un accord dû au hasard ; ici, il vaut 0,67. Les zéros, les quatre et les six se retrouvent presque entièrement chacun dans leur propre groupe, tandis qu’un groupe réunit 100 uns et 100 huit.

Apprentissage non supervisé, semi-supervisé et auto-supervisé#

L’apprentissage semi-supervisé combine un petit jeu de données étiquetées et un grand jeu de données non étiquetées, généralement en s’entraînant d’abord sur les étiquettes, puis en apprenant à partir des prédictions fiables du modèle lui-même. L’apprentissage auto-supervisé est généralement considéré comme une forme d’apprentissage non supervisé et constitue le mode d’apprentissage de la plupart des grands modèles d’apprentissage profond sur des données non étiquetées : il crée des cibles de prédiction à partir des données, comme le mot suivant d’une phrase ou les portions masquées d’une image dans les autoencodeurs masqués. Les grands modèles de langage sont préentraînés de cette façon sur des textes non étiquetés, et DINOv2 de Meta a appris des caractéristiques d’image généralistes à partir de 142 millions d’images sans étiquettes. L’apprentissage par renforcement constitue un cadre distinct, où le signal est une récompense attribuée aux actions plutôt que la structure d’un jeu de données fixe.

Applications#

Les équipes de vision par ordinateur utilisent des méthodes non supervisées pour explorer les jeux de données avant l’annotation ou l’entraînement : le regroupement des plongements d’images révèle les quasi-doublons, les valeurs aberrantes et les scènes surreprésentées qui fausseraient un modèle. Le panneau Clustering d’Ultralytics Platform effectue cette opération sur tout un jeu de données : il représente chaque image par un plongement, dispose les images sur une carte 2D et, avec la coloration définie sur Clusters, indique chaque îlot d’images visuellement similaires du plus grand au plus petit, tout en répertoriant comme Scattered les points situés hors des îlots. Une série d’images vidéo presque identiques ou quelques valeurs aberrantes isolées ressortent avant qu’un modèle YOLO26 ne s’entraîne sur les données.

L’inspection industrielle s’appuie sur la détection d’anomalies. Les défauts sont rares et variés, si bien que de nombreux systèmes de détection des défauts apprennent uniquement l’apparence des pièces conformes et signalent toute région d’image qui s’en écarte. Les banques appliquent la même idée aux transactions pour la détection des fraudes, et les détaillants regroupent les historiques d’achat en segments de clientèle pour le marketing et les systèmes de recommandation. En génomique unicellulaire, les chercheurs regroupent les profils d’expression génique de milliers de cellules individuelles et les visualisent avec UMAP afin de découvrir des types cellulaires sans les connaître à l’avance.