Une entreprise souhaite une solution ML pour détecter les anomalies dans la sortie des capteurs, mais ne dispose d'aucun exemple étiqueté. Quelle approche de modélisation est appropriée pour la détection d'anomalies non supervisée dans ce cas ?

Les autoencodeurs sont une approche de modélisation non supervisée idéale pour la détection d'anomalies. Ils apprennent à reconstruire les données d'entrée normales, et les anomalies entraînent une erreur de reconstruction élevée, car le modèle n'a pas été entraîné sur ces schémas. La régression linéaire est une méthode supervisée utilisée pour prédire une valeur continue. La classification est également supervisée, catégorisant les données. Les arbres de décision sont des modèles supervisés utilisés pour la classification ou la régression. Aucune de ces méthodes supervisées ne convient car l'entreprise ne dispose pas de données étiquetées pour l'entraînement.