Techopedia est financé par des liens d'affiliation, sans que cela n'affecte Que signifie l’apprentissage supervisé ?
L’apprentissage supervisé est une approche de l’apprentissage automatique. Il utilise des ensembles de données étiquetés et des résultats corrects pour former les algorithmes d’apprentissage à la classification des données ou à la prédiction d’un résultat.
L’apprentissage supervisé est utile pour regrouper les données dans des catégories spécifiques (classification). Mais aussi pour comprendre la relation entre les variables afin de faire des prédictions (régression).
Il est utilisé pour fournir des recommandations de produits, segmenter les clients sur la base de leurs données, diagnostiquer des maladies sur la base de symptômes antérieurs et effectuer de nombreuses autres tâches.
Techopedia explique l’apprentissage supervisé
L’apprentissage supervisé permet aux machines de classer des objets, des problèmes ou des situations en fonction des données qui leur sont fournies. Les machines sont alimentées en données telles que les caractéristiques, les modèles, les dimensions ou encore la couleur et la hauteur des objets des personnes ou des situations de manière répétitive. Cela jusqu’à ce qu’elles soient capables d’effectuer des classifications précises.
Au cours de l’apprentissage supervisé. La machine reçoit des informations appelées données de formation dans le jargon. Ainsi, de l’exploration de ces dernières, elle se base afin d’effectuer une classification. Par exemple, si un système doit classer des fruits. Il recevra des données d’entraînement telles que la couleur, la forme, la dimension ou encore la taille. Ainsi, sur la base de ces données, il sera en mesure de classer les fruits.
En général, un système a besoin de plusieurs itérations de ce processus. Cela afin d’être en mesure d’effectuer une classification précise. Étant donné que les classifications de la vie réelle, telles que la détection des fraudes à la carte de crédit et la classification des maladies, sont des tâches complexes. Les machines ont besoin de données appropriées et de plusieurs itérations de sessions d’apprentissage pour atteindre des capacités raisonnables.
