Introduction aux méthodes d'apprentissage supervisé

📋 Plan du Cours

1. Méthodes d'apprentissage supervisé
2. Algorithmes de classification
3. Algorithmes de régression
4. Séparation linéaire
5. Modèles ensemblistes
6. Choix de méthode
7. Validation et évaluation
8. Utilisation de Scikit-learn

📖 1. Méthodes d'apprentissage supervisé

🔑 Notions clés & Définitions

• Apprentissage supervisé : Méthode d'apprentissage automatique où le modèle est entraîné à partir de données étiquetées, c’est-à-dire avec des entrées associées à des sorties connues. AUTEUR (date) : "apprentissage à partir de données étiquetées" (source).
• Classification : Tâche consistant à prédire une catégorie ou une classe parmi un ensemble fini, en utilisant des données d’entrée. AUTEUR (date) : "prédiction de catégories" (source).
• Régression : Tâche de prédiction de valeurs continues à partir de données d’entrée, comme une température ou un prix. AUTEUR (date) : "prédiction de valeurs continues" (source).
• Différence entre classification et régression : La classification vise à assigner une étiquette discrète, tandis que la régression prédit une valeur numérique continue. Ces deux tâches utilisent souvent des méthodes similaires mais adaptées à leur type de sortie.
• Exemples de méthodes classiques d’apprentissage supervisé : Incluent la régression linéaire, la régression polynomiale, les arbres de décision, les forêts aléatoires, SVM, réseaux de neurones, et la régression logistique (voir section 2…