Approche d'intelligence artificielle où un modèle apprend uniquement à partir de données non étiquetées, sans sorties attendues fournies par des humains. Elle est utilisée pour découvrir des structures, des regroupements ou des représentations latentes dans les données.
L'apprentissage non supervisé est une famille de méthodes du machine learning qui consiste à analyser des données sans labels associés. Contrairement au supervisé, il n'existe pas de variable cible : l'algorithme cherche lui-même des régularités, corrélations ou structures. Les techniques les plus connues incluent le clustering (k-means, DBSCAN), la réduction de dimension (ACP, t-SNE, UMAP) et les modèles de densité. L'objectif est de révéler des regroupements naturels, d'identifier des anomalies ou de construire des représentations plus compactes. Ces méthodes sont utiles quand l'annotation humaine est trop coûteuse ou impossible. L'apprentissage non supervisé est aussi une étape préparatoire dans de nombreux projets IA, par exemple pour prétraiter les données avant un apprentissage supervisé ou pour explorer des jeux massifs de données.
Découvrez tous nos termes et concepts dans le lexique complet