Introduction à l'Apprentissage Supervisé

📋 Plan du Cours

1. Apprentissage supervisé
2. Données d'entraînement
3. Problèmes de classification
4. Problèmes de régression
5. Hyper paramètres
6. Paramètres appris
7. Validation du modèle
8. Généralisation et surapprentissage
9. Validation croisée
10. Courbe d'apprentissage
11. Critères de performance

📖 1. Apprentissage supervisé

🔑 Notions clés & Définitions

• Apprentissage supervisé : méthode d’apprentissage automatique où la fonction f est apprise à partir de données étiquetées, c’est-à-dire des couples {(x₁, y₁), ..., (xₙ, yₙ)} avec yᵢ = f(xᵢ). Selon Thierry Montaut (2023), cette méthode nécessite la connaissance exacte des résultats pour chaque observation afin de guider l’apprentissage.

• Données étiquetées : ensemble de couples (x, y) où x représente une observation ou caractéristique, et y l’étiquette ou résultat associé. Les observations (x) sont aussi appelées variables, features, ou descripteurs, tandis que y sont appelés étiquettes, labels ou outcomes.

• Problème de classification : lorsqu’on cherche à apprendre une fonction f : X → Y avec Y un ensemble fini, souvent binaire (Y ⊆ {0,1}), où la sortie est une classe ou catégorie. Selon Thierry Montaut (2023), la fonction à prédire est un classificateur, notamment dans le cas binaire.