Réponse rapide
L’apprentissage non supervisé cherche structures et regroupements sans cible annotée. Il aide à explorer comportements, détecter observations atypiques ou réduire un flux, mais un expert doit interpréter et vérifier la stabilité des groupes.
Découvrir des régularités
Clustering, représentation compacte ou densité résument des observations de capteurs et missions. Variables, normalisation et distance influencent les structures trouvées.
Repérer l’inhabituel
Un écart au domaine peut signaler défaut, nouvelle scène ou simple changement de régime. Seuil, contexte et action associée sont définis séparément.
Relier groupe et réalité
Stabilité, répétition, provenance et validation humaine donnent un sens aux groupes. Un cluster n’est pas automatiquement une classe physique ou une cause.
Sources et références
- [1] Unsupervised learning — scikit-learn User Guide — scikit-learn
- [2] Robotics and Autonomous Systems Technology Roadmaps — NASA