Les données brutes existent en masse. Or, la plupart de ces données n'est pas labellisée. Comment entraîner une IA dans ces conditions ? C’est exactement le défi des data scientists aujourd'hui…
Les données ? Abondantes. Mais les annotations sont rares et coûteuses : il faut du temps, de la précision et de l'expertise pour les ajouter.
C'est là qu'entre en jeu l’apprentissage semi-supervisé ou SSL (Semi Supervised Learning en anglais).
Entre le tout-étiqueté du supervisé et le zéro-étiquette du non supervisé, le semi-supervisé utilise les deux : il apprend à partir d’un petit échantillon bien annoté… pour mieux exploiter la masse restante.
Résultat ? Moins d’étiquettes, mais des modèles puissants, capables d’analyser des données avec précision.
Dans ce cours, vous construirez un modèle de segmentation semi-supervisé pour analyser des images médicales.
Envie de plonger au cœur de l’IA, même quand elle n’a pas toutes les réponses ? Commencez le cours dès maintenant !
Objectifs pédagogiques
Contributeurs
Professeur
Créé par
