Supervised Learning
iaDéfinition
Paradigme d'apprentissage machine où le modèle est entraîné sur des données labellisées (paires entrée/sortie) pour apprendre une fonction de prédiction généralisable à de nouvelles données.
Description
L'apprentissage supervisé est le paradigme ML dominant où le modèle est entraîné sur des données labellisées (paires entrée/sortie) pour apprendre une fonction de prédiction généralisable. La qualité et la représentativité des labels déterminent les performances du modèle entraîné.
Fonctionnement
Le modèle optimise ses paramètres pour minimiser une fonction de perte (cross-entropy pour la classification, MSE pour la régression) sur les données labellisées. La validation croisée évalue la généralisation sur des données non vues et détecte l'overfitting ou l'underfitting.
Points clés
- L'annotation de données de qualité est le goulot d'étranglement : coûteuse en temps et en expertise métier
- Le semi-supervised learning utilise peu de labels + beaucoup de données non labellisées pour réduire les coûts d'annotation
- En cybersécurité, le déséquilibre de classes (attaques rares) nécessite des techniques SMOTE, class weighting ou focal loss
Besoin d'un expert sur ce sujet ?
Audit, pentest, conformité ISO 27001, développement IA sécurisé — demandez un devis gratuit.
Demander un devis