Apprentissage supervisé, non supervisé et par renforcement
Les apprenants classeront les trois grands paradigmes de l’apprentissage automatique, examineront des cas d’utilisation concrets pour chacun et associeront des problèmes du monde réel au type d’apprentissage approprié.
Apprentissage supervisé, non supervisé et par renforcement est une leçon Machine Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Machine Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Machine Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Three Learning Paradigms Overview
Le ML n'est pas une seule technique mais une famille, divisée selon les retours dont il apprend. Les trois grands : l'apprentissage supervisé, non supervisé et par renforcement.
Supervised Learning: Learning with Labels
L'apprentissage supervisé s'entraîne sur des exemples qui ont déjà la bonne réponse (une étiquette). Il alimente la plupart des systèmes d'IA que vous utilisez, tant pour la classification que pour la prédiction.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Supervised Learning Use Cases
L'apprentissage supervisé est partout : filtres anti-spam, diagnostic médical, notation de crédit et reconnaissance d'images. Dans chaque cas, le modèle apprend à partir d'exemples étiquetés passés.
Unsupervised Learning: Finding Hidden Structure
L'apprentissage non supervisé ne nécessite aucune étiquette. L'algorithme explore les données et découvre de lui-même une structure cachée, le plus souvent par regroupement.
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsUnsupervised Learning Use Cases
L'apprentissage non supervisé brille lorsque les étiquettes coûtent trop cher : pour regrouper des clients, repérer des anomalies dans le trafic réseau ou trouver des thèmes dans des milliers d'articles.
Reinforcement Learning: Learning by Doing
En apprentissage par renforcement, un agent agit dans un environnement et gagne des récompenses ou des pénalités — apprenant la meilleure stratégie par essai et erreur, comme pour dresser un chien. 🐕
Reinforcement Learning Use Cases
L'apprentissage par renforcement est à l'origine de quelques victoires célèbres : AlphaGo maîtrisant le jeu de go par auto-apprentissage, des robots apprenant à marcher et des agents apprenant à conduire en simulation.
Self-Supervised Learning: A Fourth Paradigm
Une approche moderne est l'apprentissage auto-supervisé : les données s'étiquetent d'elles-mêmes. Les modèles de langage comme BERT apprennent en prédisant des mots masqués dans une phrase.
Matching Problems to Paradigms
Pour choisir un paradigme, posez-vous les questions suivantes : avez-vous des étiquettes ? La sortie est-elle une catégorie ou un chiffre ? L'apprentissage est-il guidé par la récompense ? Une option par défaut sûre est l'apprentissage supervisé.
Semi-Supervised Learning: Best of Both Worlds
L'apprentissage semi-supervisé associe un peu de données étiquetées à une grande quantité de données non étiquetées — idéal lorsque l'étiquetage est coûteux mais que les données brutes abondent.
Scikit-learn API for All Paradigms
scikit-learn brille par une API cohérente : créez un estimateur, appelez fit(), puis predict() ou transform(). Changer d'algorithme ne demande pour ainsi dire aucun code.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Quick Check
Test your understanding of Machine Learning with Python concepts from this lesson.
Lesson Recap
Nice work! Supervised learns from labels, unsupervised finds hidden structure, and reinforcement learns by reward. Next: the full ML workflow.
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Apprentissage supervisé, non supervisé et par renforcement » est-elle gratuite ?
Oui — le texte complet de « Apprentissage supervisé, non supervisé et par renforcement » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Machine Learning Academy, passe à CoddyKit PRO. Le cours Machine Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Apprentissage supervisé, non supervisé et par renforcement » ?
Les apprenants classeront les trois grands paradigmes de l’apprentissage automatique, examineront des cas d’utilisation concrets pour chacun et associeront des problèmes du monde réel au type d’appre… Tu pratiques Machine Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Machine Learning Academy ?
Aucune expérience préalable n'est requise. Machine Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Apprentissage supervisé, non supervisé et par renforcement » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Machine Learning Academy ?
Oui. Chaque leçon Machine Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Programmation traditionnelle ou apprentissage automatique
- Apprentissage supervisé, non supervisé et par renforcement
- Le flux de travail de l’apprentissage automatique : des données à la prédiction
- L’apprentissage automatique dans le monde réel : cas d’utilisation et limites