Apprentissage Supervisé
Apprentissage superviséIl s’agit d’une méthode d’apprentissage automatique dans laquelle le réseau est formé à l’aide d’exemples dont les réponses sont connues et il existe une relation entre la sortie et l’entrée.
Les modèles peuvent généralement être appris ou établis sur la base de données de formation et utilisés pour déduire de nouvelles instances, où les données de formation se composent d'entrées et de sorties attendues. La sortie de la fonction peut être une valeur continue ou une classification prédite.
Classification de l'apprentissage supervisé
L’apprentissage supervisé est souvent utilisé pour les problèmes de classification et de régression. La différence entre les algorithmes de régression et de classification réside dans le type de variables de sortie, où la régression spécifie une sortie quantitative ou une prédiction de variable continue ; la classification spécifie le type de sortie ou de prédiction de variable discrète.
Classification des méthodes d'apprentissage automatique
Il existe trois approches principales dans le domaine de l’apprentissage automatique :
- Apprentissage supervisé : formation avec des exemples de réponses connues ;
- Apprentissage non supervisé : modélisation directe de l’ensemble de données d’entrée, comme le clustering ;
- Apprentissage semi-supervisé : utilisez de manière exhaustive les données étiquetées et non étiquetées pour générer des fonctions appropriées.
Apprentissage supervisé couramment utilisé
- algorithme des K plus proches voisins
- Arbre de décision
- Bayes naïf
- Régression logistique
- Réseau neuronal à propagation rétroactive