- Apprentissage supervise
-
Apprentissage supervisé
L'apprentissage supervisé est une technique d'apprentissage automatique où l'on cherche à produire automatiquement des règles à partir d'une base de données d'apprentissage contenant des exemples de cas déjà traités.
Plus précisément, la base de données d'apprentissage est un ensemble de couples entrée-sortie avec et , que l'on considère être tirées selon une loi sur inconnue, par exemple xn suit une loi uniforme et yn = f(xn) + wn où wn est un bruit centré.
Le but de la méthode d'apprentissage supervisé est alors d'utiliser cette base d'apprentissage afin de déterminer une représentation compacte de f notée g et appelée fonction de prédiction, qui à une nouvelle entrée x associe une sortie g(x). Le but d'un algorithme d'apprentissage supervisé est donc de généraliser pour des entrées inconnues ce qu'il a pu « apprendre » grâce aux données déjà traitées par des experts, ceci de façon « raisonnable ».
On distingue généralement deux types de problèmes que l'on cherche à résoudre avec une méthode d'apprentissage automatique supervisée :- : Lorsque la sortie que l'on cherche à associer à une entrée est une valeur dans un ensemble continu de réels, on parle d'un problème de régression.
- : Lorsque l'ensemble des valeurs de sortie est de cardinal fini, on parle d'un problème de classification car le but est en fait d'attribuer une étiquette à une entrée donnée.
Méthodes d'apprentissage supervisé
- Boosting
- Machine à vecteurs de support
- Mélanges de lois
- Réseau de neurones
- Méthode des k plus proches voisins
- Arbre de décision
- Classification naïve bayesienne
Applications
- Vision par ordinateur
- Reconnaissance de formes
- Reconnaissance de l'écriture manuscrite
- Reconnaissance vocale
- Portail des probabilités et des statistiques
- Portail de l’informatique
Catégorie : Apprentissage automatique
Wikimedia Foundation. 2010.