Apprentissage supervisé
L'apprentissage supervisé (ou supervised learning) est une forme d’apprentissage machine qui crée des modèles d’intelligence artificielle en se fondant sur des données d’apprentissage « étiquettées »,
c’est-à-dire que des humains ont qualifiées (ex : en listant les objets présents sur les milliers d’images du jeu d’entraînement pour indiquer à l’algorithme à établir des corrélations entre les caractéristiques d’une image et les objets qui y ont été identifiés).
Techniquement, l’apprentissage supervisé infères une fonction de données d'apprentissage étiquetées consistant en un ensemble d’exemples d'apprentissage. Dans l’apprentissage supervisé, chaque exemple est un couple constitué d’un objet d’entrée (généralement un vecteur) et d’une valeur de sortie souhaitée (également appelé signal de supervision). Un algorithme d'apprentissage supervisé analyse les données d'apprentissage et produit une fonction inférée, qui peut être utilisée pour mapper de nouveaux exemples. Un scénario optimal permettra à l’algorithme de déterminer correctement les classes de classe l pour les instances invisibles. Cela nécessite que l’algorithme d’apprentissage soit généralisé à partir des données d’entraînement à des situations invisibles d’une manière "raisonnable".