Unsupervised Learning

L'apprentissage non supervisé est un type d'apprentissage automatique où un algorithme apprend des modèles à partir de données non étiquetées sans intervention humaine. Contrairement à l'apprentissage supervisé, qui repose sur des paires d'entrée-sortie étiquetées pour entraîner un modèle, l'apprentissage non supervisé traite des données qui ne disposent d'aucune étiquette historique. Le système tente essentiellement d'apprendre par lui-même en découvrant des structures, des modèles ou des relations cachés au sein des données d'entrée. Cette approche est particulièrement précieuse car la grande majorité des données générées aujourd'hui (images, vidéos, textes et journaux de capteurs) n'est ni structurée ni étiquetée.

Comment fonctionne l'apprentissage non supervisé#

Dans les scénarios non supervisés, l'algorithme est laissé à lui-même pour découvrir des structures intéressantes dans les données. L'objectif est souvent de modéliser la distribution sous-jacente des données ou d'en apprendre davantage sur les données elles-mêmes. Comme aucune « bonne réponse » n'est fournie pendant l'entraînement, le modèle ne peut pas être évalué sur la précision au sens traditionnel du terme. Au lieu de cela, la performance est souvent mesurée par la capacité du modèle à réduire la dimensionnalité ou à regrouper des points de données similaires.

Cette méthodologie reflète la façon dont les humains apprennent souvent de nouveaux concepts. Par exemple, un enfant peut faire la différence entre des chiens et des chats en observant leurs différentes formes et comportements sans nécessairement connaître initialement les noms "chien" et "chat". De même, les algorithmes non supervisés regroupent les informations en fonction de similitudes inhérentes. Cette capacité est fondamentale pour le développement de l'artificial general intelligence (AGI), car elle permet aux systèmes de s'adapter à de nouveaux environnements sans supervision humaine constante.

Techniques clés de l'apprentissage non supervisé#

L'apprentissage non supervisé englobe plusieurs techniques distinctes, chacune adaptée à différents types de problèmes d'analyse de données :

• Clustering : C'est l'application la plus courante, où l'algorithme regroupe des points de données qui se ressemblent. Une méthode populaire est le K-Means clustering, qui partitionne les données en k groupes distincts en fonction de la similarité des caractéristiques. Ceci est largement utilisé dans la segmentation de marché pour identifier des groupes de clients ayant des comportements d'achat similaires.
• Dimensionality Reduction : Les données à haute dimension peuvent être complexes et coûteuses en calcul à traiter. Des techniques comme la Principal Component Analysis (PCA) réduisent le nombre de variables dans un jeu de données tout en préservant ses informations essentielles. Cela simplifie la data visualization et accélère l'entraînement d'autres modèles de machine learning.
• Anomaly Detection : En apprenant à quoi ressemblent des données "normales", les modèles non supervisés peuvent identifier des valeurs aberrantes qui s'écartent considérablement de la norme. C'est crucial pour la fraud detection in finance, où des schémas de transactions inhabituels déclenchent des alertes de sécurité.
• Apprentissage par règles d'association : Cette technique découvre des relations intéressantes entre des variables dans de grandes bases de données. Elle est célèbre pour son utilisation dans l'analyse de panier, aidant les détaillants à comprendre que les clients qui achètent du pain sont également susceptibles d'acheter du beurre.

Apprentissage non supervisé vs supervisé#

Il est important de distinguer l'unsupervised learning du supervised learning. La principale différence réside dans les données utilisées. Le supervised learning nécessite un labeled dataset, ce qui signifie que chaque exemple d'entraînement est associé à une sortie correcte (par exemple, une image de chat étiquetée "chat"). Le modèle apprend à mapper les entrées aux sorties pour minimiser l'erreur.

En revanche, l'unsupervised learning utilise des données non étiquetées. Il n'y a pas de boucle de rétroaction indiquant au modèle si sa sortie est correcte. Il existe un juste milieu appelé semi-supervised learning, qui combine une petite quantité de données étiquetées avec une grande quantité de données non étiquetées pour améliorer la précision de l'apprentissage, souvent utilisé lorsque l'étiquetage des données est coûteux ou chronophage.

Applications concrètes#

L'apprentissage non supervisé alimente de nombreuses technologies que nous rencontrons quotidiennement. Voici deux exemples concrets :

1. Customer Segmentation in Retail : Les plateformes e-commerce analysent des millions d'interactions utilisateurs sans catégories prédéfinies. En utilisant des algorithmes de clustering, elles identifient des personas d'utilisateurs distincts, tels que les "chercheurs de bonnes affaires du week-end" ou les "passionnés de technologie". Cela permet des campagnes marketing hautement personnalisées et des recommendation systems, améliorant considérablement l'expérience client.

2. Analyse de séquences génomiques : En bioinformatique, les chercheurs utilisent l'apprentissage non supervisé pour analyser des données génétiques. Les algorithmes regroupent les séquences d'ADN pour trouver des marqueurs génétiques similaires ou des mutations dans différentes populations. Cela aide à comprendre les relations évolutives et à identifier les prédispositions génétiques aux maladies sans avoir besoin d'une connaissance préalable de chaque fonction génique spécifique.

Exemple de code : Clustering avec Scikit-Learn#

Alors que Ultralytics YOLO26 est principalement un framework de détection d'objets supervisé, les techniques non supervisées sont souvent utilisées dans les étapes de prétraitement, comme l'analyse des distributions de anchor box ou le clustering des caractéristiques du jeu de données. Voici un exemple simple utilisant sklearn pour effectuer un K-Means clustering, une technique non supervisée fondamentale.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

Le rôle de l'apprentissage non supervisé dans l'apprentissage profond#

Le deep learning (DL) moderne intègre de plus en plus de principes non supervisés. Des techniques telles que le Self-Supervised Learning (SSL) permettent aux modèles de générer leurs propres signaux de supervision à partir des données. Par exemple, en Natural Language Processing (NLP), des modèles comme GPT-4 sont pré-entraînés sur de vastes quantités de texte pour prédire le mot suivant dans une phrase, apprenant ainsi efficacement la structure de la langue sans étiquettes explicites.

De même, en computer vision (CV), les auto-encodeurs sont utilisés pour apprendre des encodages de données efficaces. Ces réseaux de neurones compressent les images en une représentation de dimension inférieure puis les reconstituent. Ce processus enseigne au réseau les caractéristiques les plus saillantes des données visuelles, ce qui est utile pour des tâches telles que l'image denoising et la modélisation générative.

Pour ceux qui cherchent à gérer des jeux de données pour l'entraînement, l'Ultralytics Platform propose des outils pour visualiser les distributions de données, ce qui peut aider à identifier des clusters ou des anomalies avant que le processus d'entraînement supervisé ne commence. Comprendre la structure de tes données grâce à l'exploration non supervisée est souvent la première étape vers la construction de solutions IA robustes.