Forme d'IA utilisée

En apprentissage non supervisé, l'algorithme d'apprentissage automatique découvre des régularités statistiques, des formes ou des structures dans des données qui ne comportent pas d'annotation [descriptive] (ou étiquette). Pour y arriver, l'apprentissage non supervisé se fonde sur la détection de similarités entre les données. Dans cette approche, le nombre de classes et leur nature ne sont pas nécessairement prédéterminés, c'est l'algorithme qui les découvrira en fonction des données analysées. L'algorithme utilise les données (ou exemples) disponibles pour les classer en groupes homogènes qui correspondent à une classe, selon une mesure de similarité ou un calcul de la distance entre les paires d'exemples. Le résultat est l'appartenance de chaque donnée à un groupe ou une probabilité d'appartenance à chacun des groupes découverts par l'algorithme. Voir apprentissage supervisé et apprentissage par renforcement. (Source : DataFranca, Grand Lexique français de l'intelligence artificielle)L'apprentissage non supervisé vise à découvrir des modèles cachés et intéressants parmi des données non étiquetées. Ces modèles sont utiles pour prédire les performances des apprenants en analysant une série d'informations contextuelles telles que les données démographiques par rapport aux résultats globaux en matière d'enseignement. (Source : Lignes directrices éthiques sur l'utilisation de l'intelligence artificielle (IA) et des données dans l'enseignement et l'apprentissage à l'intention des éducateurs)