apprentissage auto-supervisé
L’apprentissage auto-supervisé est un type d’apprentissage automatique dans lequel l’algorithme est entraîné sur des données qui comportent des entrées sans étiquetage explicite. Contrairement à l’apprentissage supervisé, où les sorties souhaitées sont fournies avec les entrées, dans l’apprentissage auto-supervisé, l’algorithme doit déterminer la structure ou les caractéristiques sous-jacentes des données d’entraînement pour faire des prédictions.
L’apprentissage auto-supervisé peut être considéré comme une forme de modèle d’apprentissage non supervisé, car l’algorithme est en mesure de trouver des relations intéressantes dans les données d’entraînement sans la présence d’étiquettes. Cependant, il peut également inclure certaines caractéristiques de l’apprentissage supervisé, car il peut utiliser des rétroactions pour ajuster les prédictions.
L’apprentissage auto-supervisé peut être très utile pour résoudre des tâches d’apprentissage automatique où les données étiquetées sont rares ou coûteuses à obtenir, et il peut également être utilisé pour initialiser des modèles d’apprentissage supervisé pour améliorer les performances.
