L’apprentissage automatique supervisé est utilisé pour entraîner des modèles en déterminant une relation entre les caractéristiques et les étiquettes dans les observations précédentes, afin que les étiquettes inconnues puissent être prédites pour les caractéristiques dans les cas futurs.

La régression est une forme d’apprentissage automatique supervisé dans laquelle l’étiquette prédite par le modèle est une valeur numérique. Par exemple :

• Le nombre de glaces vendues un jour donné, en fonction de la température, des précipitations et de la vitesse du vent.
• Le prix de vente d’une maison en fonction de sa taille en mètres carrés, le nombre de chambres qu’elle contient et les mesures socio-économiques de l’emplacement.
• La consommation de carburant (en km par litre) d’une voiture en fonction de sa cylindrée, de son poids, de sa largeur, de sa hauteur et de sa taille. longueur.

La classification est une forme d’apprentissage automatique supervisé dans laquelle l’étiquette représente une catégorisation ou une classe. Il existe deux scénarios de classification courants :

Dans la classification binaire, l’étiquette détermine si l’élément observé est ou non un instance d’une classe spécifique. En d’autres termes, les modèles de classification binaire prédisent l’un des deux résultats mutuellement exclusifs. Par exemple :

• Si un patient présente un risque de diabète, sur la base de données cliniques telles que le poids, l’âge, la glycémie, etc.
• Si un client d’une banque est incapable de rembourser un prêt, en fonction du revenu, des antécédents de crédit, de l’âge et d’autres facteurs.
• Si un client d’une liste de diffusion répondra positivement à une offre marketing en fonction des données démographiques et des achats antérieurs.

Dans tous ces exemples, le modèle prédit une prédiction binaire vrai/faux ou positif/négatif pour une seule classe possible.

La classification multi-classes étend la classification binaire pour prédire une étiquette qui représente l’une des nombreuses classes possibles. Par exemple :

• L’espèce de manchot (Adélie, Gentoo ou Jugulaire) en fonction de sa taille physique.
• Le genre d’un film (comédie, horreur, romance, aventure ou science-fiction) en fonction du casting, du réalisateur et du budget.

L’apprentissage automatique non supervisé implique la formation de modèles utilisant des données qui n’existent qu’à partir de valeurs de fonction sans étiquettes connues. Les algorithmes d’apprentissage automatique non supervisé déterminent les relations entre les caractéristiques des observations dans les données d’entraînement.

La forme la plus courante d’apprentissage automatique non supervisé est le clustering . Un algorithme de clustering identifie les similitudes entre les observations en fonction de leurs caractéristiques et les regroupe en groupes distincts. Par exemple :

• Regroupez les fleurs similaires en fonction de leur taille, du nombre de feuilles et du nombre de pétales.
• Identifiez des groupes de clients similaires en fonction de leurs données démographiques et de leur comportement d’achat.
• Identifiez les groupes de clients similaires en fonction de leurs données démographiques et de leur comportement d’achat.