Quand utiliser les différents types de Machine Learning?

Il existe trois principaux types de Machine Learning : l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement. L'apprentissage supervisé est utilisé lorsque vous disposez de données étiquetées et souhaitez prédire une variable cible, l'apprentissage non supervisé est utilisé lorsque vous ne disposez pas de données étiquetées et souhaitez identifier des motifs, et l'apprentissage par renforcement est utilisé lorsque vous souhaitez entraîner un système à prendre des décisions en fonction de récompenses ou de pénalités.

Apprentissage supervisé : Utilisez l'apprentissage supervisé lorsque vous disposez de données étiquetées, c'est-à-dire lorsque vous disposez de caractéristiques d'entrée et d'étiquettes de sortie correspondantes. Ce type d'apprentissage automatique est utilisé pour des tâches telles que la classification (où vous souhaitez prédire une étiquette catégorielle) et la régression (où vous souhaitez prédire une sortie continue).

Apprentissage non supervisé : Utilisez l'apprentissage non supervisé lorsque vous n'avez pas de données étiquetées et souhaitez trouver des motifs dans les données par vous-même. Ce type d'apprentissage automatique est utilisé pour des tâches telles que le regroupement (où vous souhaitez regrouper des points de données similaires) et la réduction de la dimensionnalité (où vous souhaitez réduire le nombre de caractéristiques dans les données).

Apprentissage par renforcement : Utilisez l'apprentissage par renforcement lorsque vous souhaitez qu'un agent apprenne à prendre des actions dans un environnement pour maximiser un signal de récompense. Ce type d'apprentissage automatique est utilisé pour des tâches telles que les jeux, la robotique et les voitures autonomes.

Apprentissage semi-supervisé : Utilisez l'apprentissage semi-supervisé lorsque vous disposez de certaines données étiquetées et de beaucoup de données non étiquetées. Ce type d'apprentissage automatique combine des aspects de l'apprentissage supervisé et non supervisé pour apprendre à partir de données étiquetées et non étiquetées.

Transfert d'apprentissage : Utilisez le transfert d'apprentissage lorsque vous disposez d'un modèle pré-entraîné sur une tâche similaire et souhaitez l'utiliser pour aider avec une nouvelle tâche. Ce type de Machine Learning est utilisé pour transférer les connaissances apprises d'une tâche à une autre et peut permettre de gagner du temps et des ressources.

Les tâches de Machine Learning ont été divisées en trois catégories, en fonction de la rétroaction disponible :

1. Apprentissage supervisé : Ce sont des modèles construits par l'humain en fonction des entrées et des sorties.

2. Apprentissage non supervisé : Ce sont des modèles qui dépendent de l'entrée humaine. Aucune étiquette n'est donnée à l'algorithme d'apprentissage, le modèle doit déterminer la structure par lui-même.

3. Apprentissage par renforcement : Ce sont des modèles qui sont alimentés par des entrées humaines. Aucune étiquette n'est donnée à l'algorithme d'apprentissage. L'algorithme apprend par les récompenses et les pénalités données.

Les algorithmes qui peuvent être utilisés pour chaque catégorie sont :

Algoritme	Supervisé	Non Supervisé	Par Renforcement
Linear	1	0	0
Logistic	1	0	0
K-Means	1	1	0
Anomaly Detection	1	1	0
Neural Net	1	1	1
KNN	1	0	0
Decision Tee	1	0	0
Random Forest	1	0	0
SVM	1	0	0
Naive Bayes	1	0	0

Les fonctions et utilisations du Machine Learning pour différentes tâches :

	Algorithme	Utilisation
Régression basique	Linear	Plusieurs données numériques
	Logistic	La variable cible est catégorique.
Analyse de Clustering	K-Means	Regrouper des données similaires en groupes basés sur les centroïdes.
	Anomaly Detection	Trouver les valeurs aberrantes en regroupant les données.
Classification	Neural Net	Relations complexes. Possibilité de surajustement.
	K-NN	Appartenance à un groupe basée sur la proximité.
	Decision Tree	Si/alors/sinon. Données non contiguës. Peut également être une régression.
	Random Forest	Trouver la meilleure division au hasard. Peut également être une régression.
	SVM	Classifieur à marge maximale. Algorithme fondamental de Science des données.
	Naive Bayes	Mise à jour des connaissances étape par étape avec de nouvelles informations.
Réduction des caractéristiques	T-DISTRIB Stochastic NEIB Embedding	Visualiser des données de haute dimension. Convertir la similarité en probabilités conjointes.
	Principle Component Analysis	Réduire l'espace des caractéristiques en composantes qui décrivent la plus grande variance.
	Canonical Correlation Analysis	Donner un sens aux matrices de corrélation croisée.
	Linear Discriminant Analysis	Combinaison linéaire de caractéristiques qui sépare les classes.

Le diagramme de flux ci-dessous vous aidera à avoir une idée approximative de chaque estimateur et à en savoir plus sur la tâche et les moyens de la résoudre en utilisant différentes techniques de ML.

Découvrez plus sur les tendances des marchés de cryptomonnaies en 2023 et voyez comment Neomony peut vous aider à investir dans les marchés de cryptomonnaies !