L'application d'une entreprise doit regrouper automatiquement des clients et des produits similaires en fonction d'attributs, sans résultats étiquetés. Quelle approche d'apprentissage automatique l'entreprise doit-elle utiliser ?

L'apprentissage non supervisé est la bonne approche car il est utilisé pour découvrir des motifs cachés et des structures dans des données non étiquetées. Dans ce scénario, l'entreprise souhaite regrouper des clients et des produits similaires sans avoir de résultats pré-étiquetés, ce qui correspond parfaitement à des techniques comme le clustering (regroupement). L'apprentissage supervisé nécessite des données étiquetées pour entraîner un modèle à prédire une sortie spécifique. L'apprentissage par renforcement est utilisé pour entraîner des agents à prendre des décisions séquentielles dans un environnement afin de maximiser une récompense. L'apprentissage semi-supervisé utilise une petite quantité de données étiquetées et une grande quantité de données non étiquetées, ce qui n'est pas le cas ici où il n'y a pas de résultats étiquetés.