Apprentissage non supervisé (Unsupervised learning)
Apprentissage automatique à partir de données non étiquetées : le modèle trouve une structure comme des groupes ou des motifs sans qu’on lui donne les bonnes réponses.
L’apprentissage non supervisé trouve une structure dans des données non étiquetées : aucune sortie cible n’est fournie, donc le modèle regroupe ou compresse les exemples par seule similarité.
C’est un courant central de l’apprentissage automatique, le pendant de l’apprentissage supervisé sur paires étiquetées et de l’apprentissage par renforcement guidé par récompenses. Les méthodes classiques incluent le clustering (regrouper les points semblables, comme dans les k-moyennes) et la réduction de dimension, où un modèle organise seul des exemples bruts. Les GAN (2014) apprennent à générer des données synthétiques en opposant deux réseaux sans cibles étiquetées. Le pré-entraînement auto-supervisé derrière l’apprentissage profond moderne y est étroitement lié : il apprend à partir de texte brut sans étiquettes humaines, avant tout affinage.