En machine learning, l’apprentissage non-supervisé est un apprentissage plus complexe que le supervisé car il n’a pas de tâche précise à optimiser et a une visée descriptive et informative. Son objectif est de réunir des observations selon des critères prédéfinis par les équipes en charge du projet et un nombre de groupes fixé au préalable. Avec ce type de machine learning, l’algorithme devra regrouper des éléments non-classés dans différents groupes selon leurs caractéristiques. Grâce à l’augmentation des données disponibles en ligne, les groupes peuvent être affinés avec beaucoup plus de critères.
Par exemple, pour segmenter une base clients, on peut prendre en compte beaucoup de critères pour segmenter ses clients plus finement, comme le secteur de travail, le métier, l’ancienneté, la position hiérarchique, la localisation, etc. une fois les variables soigneusement sélectionnées et le nombre de groupes déterminée, l’algorithme va fournir un ensemble de règles permettant d’attribuer un groupe à chaque individu.
En savoir plus avec notre petit guide du machine learning.
