Apprentissage automatique supervisé et non supervisé

Un exemple d’apprentissage supervisé pourrait être quelque chose comme ceci : nous avons un modèle que nous avons construit et qui dit que « toute entreprise qui vend moins de 10 unités est un mauvais performeur, et toute entreprise qui vend plus de 10 unités est un bon performeur ». Nous avons ensuite un jeu de données que nous voulons tester en partant de cet énoncé. Supposons que nos données contiennent les chiffres d’un magasin qui vend huit unités. C’est moins de 10, et donc, selon la définition de notre modèle, il est classé comme étant un mauvais performeur. Dans cette situation, nous avons un modèle qui absorbe les données qui nous intéressent, et qui nous donne un résultat tel que décidé selon les conditions posées par le modèle.

Par contraste, un modèle d’apprentissage non supervisé pourrait ressembler à ceci : nous avons un tas de données, et nous voulons savoir comment les scinder en groupes significatifs. Nous pourrions par exemple avoir une masse de données provenant d’une enquête sur la taille et le poids des gens. Nous pouvons alors utiliser certains algorithmes non supervisés pour trouver un moyen de regrouper ces informations en grappes (ou clusters) significatives pour lesquelles nous serions à même de définir des tailles de vêtements. Dans ce cas, le modèle n’a pas de réponse préalable lui disant : « Connaissant la taille et le poids de cette personne, je devrais la classer comme ayant une petite taille de pantalon ». Il doit trouver cette réponse par lui-même.