Apprentissage supervisé

L'apprentissage supervisé consiste à entraîner un modèle sur un jeu de données qui contient à la fois des caractéristiques d'entrée et les sorties correctes correspondantes (étiquettes).  L'objectif est de prédire la sortie pour de nouvelles entrées inconnues sur la base de la fonction apprise. 
Il existe deux types principaux d'apprentissage supervisé :

• Classification : l'objectif est de prédire une étiquette de classe, qui est un choix parmi une liste prédéfinie de possibilités. Par exemple, imaginez que vous essayiez de trier des e-mails en « spam » ou « non-spam ». Ou lorsque votre téléphone reconnaît votre visage pour se déverrouiller, il utilise la classification pour dire : « Oui, c'est bien vous ! »
• Régression : l'objectif est de prédire une quantité. Par exemple, prédire le prix d'une maison en fonction de diverses caractéristiques comme sa taille et son emplacement, ou déterminer la valeur d'une voiture en fonction de sa marque, de son modèle et de son âge. C'est comme jouer au « Juste Prix ».

Au fur et à mesure que nous aborderons différents algorithmes dans ce cours, nous verrons s'ils relèvent plutôt de l'apprentissage supervisé ou non supervisé.