Principes fondamentaux de 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 d’un ensemble de couples $(x, y)$ pour lesquels on connaît le résultat $y = f(x)$. La méthode nécessite des données avec résultats connus, appelées aussi observations ou caractéristiques (x) et étiquettes ou labels (y).
  Source : Thierry Montaut (2023)

• Ensemble de couples $(x, y)$ : collection de données où chaque observation $x$ est associée à une étiquette $y$, permettant d’apprendre la relation $f$ entre les deux.

• Problème de classification : lorsqu’on cherche à prédire $y$ dans un ensemble fini, souvent avec $Y$ discret. La fonction à prédire est un classificateur. En cas de deux valeurs possibles pour $Y$, on parle de classificateur binaire, de prédicteur ou de fonction de décision.
  Source : Thierry Montaut (2023)

• Problème de régression : lorsque $Y$ est un sous-ensemble de $\mathbb{R}$, la tâche consiste à prédire une valeur continue. La fonction à apprendre est un prédicteur.