Les 3 grands types d'apprentissage machine

Supervisé, non supervisé, renforcement — et où les LLM se situent là-dedans.

🧠 Concept — Trois façons d'apprendre

Apprentissage supervisé : on montre des exemples étiquetés (entrée → bonne réponse). Ex. Electra : prédire la durée d'une session de charge à partir de l'historique (heure, station, modèle de véhicule → durée).
Apprentissage non supervisé : pas d'étiquettes, le modèle trouve des structures tout seul. Ex. Electra : regrouper les stations en clusters de comportement d'usage (pendulaire, autoroute, urbain).
Apprentissage par renforcement : un agent apprend par essai/erreur avec des récompenses. Ex. : optimiser dynamiquement la répartition de puissance entre bornes d'un hub.

💡 Réflexe pro — Et les LLM alors ?

Les LLM combinent un pré-entraînement auto-supervisé (prédire le mot suivant sur des téraoctets de texte) + un affinage avec feedback humain (RLHF) pour les rendre utiles et sûrs. C'est pour ça qu'ils « parlent bien » ET suivent des consignes.

🎮 Mini-jeu : trie les 9 cas d'usage Electra

Range chaque cas d'usage dans le bon type d'apprentissage. Réfléchis : y a-t-il des exemples étiquetés ? Une récompense ? Ou juste des données brutes à structurer ?

← Précédent Leçon suivante →