- 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 » (en général des cas déjà traités et validés).
Sommaire
Définition mathématique
Une 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.
La méthode d'apprentissage supervisé utilise cette base d'apprentissage pour 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 deux types de problèmes solvables avec une méthode d'apprentissage automatique supervisée :- : lorsque la sortie que l'on cherche à estimer est une valeur dans un ensemble continu de réels, on parle d'un problème de régression.
- : lorsque l'ensemble des valeurs de sortie est fini, on parle d'un problème de classification, qui revient à attribuer une étiquette à chaque entrée.
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
- Inférence grammaticale
- Espace de versions
Applications
- Vision par ordinateur
- Reconnaissance de formes
- Reconnaissance de l'écriture manuscrite
- Reconnaissance vocale
Voir aussi
Articles connexes
- Apprentissage automatique
- Apprentissage non-supervisé
- Réseau de neurones
- Partitionnement de données
- Algorithme espérance-maximisation
- Carte auto adaptative
- Intelligence artificielle
- Théorème de Cox-Jaynes
- Subspace clustering
- Extraction de connaissances
- Règles explicatives
- Contextualisation
- Visualisation
- Évaluation en cascade
- Données semi-structurées
- Méthode des nuées dynamiques
- Regroupement hiérarchique
- Algorithme espérance-maximisation
- Analyse en composantes principales
- Régression logistique
Liens externes
Bibliographie
- Antoine Cornuéjols, Laurent Miclet, Yves Kodratoff, Apprentissage Artificiel : Concepts et algorithmes, Eyrolles, 2002 (ISBN 2-212-11020-0) [détail des éditions]
- (en) Tom M. Mitchell, Machine Learning, 1997 [détail des éditions]
- Christopher M. Bishop, Pattern Recognition And Machine Learning, Springer, 2006 (ISBN 0-387-31073-8) [détail des éditions]
Notes et références
- Portail des probabilités et des statistiques
- Portail de l’informatique
Wikimedia Foundation. 2010.