Supervised learning (apprentissage supervisé)
Le supervised learning (apprentissage supervisé) est une méthode d'apprentissage automatique où un modèle apprend à partir de données d'entraînement étiquetées. À chaque entrée est associée une sortie correcte connue. Le modèle repère les liens entre entrée et sortie et peut ensuite faire des prédictions sur des données nouvelles et inconnues. Les applications typiques sont la classification et la régression.
Également connu sous : apprentissage supervisé, supervised ML
Comment fonctionne le supervised learning ?
Dans l'apprentissage supervisé, un jeu de données est présenté à un algorithme, où chaque exemple contient à la fois les variables d'entrée et la réponse correcte associée. Cette réponse s'appelle l'étiquette ou la valeur cible. Un exemple : si vous voulez entraîner un modèle de détection de spam, vous avez besoin de nombreux emails déjà marqués à la main comme spam ou non-spam.
Pendant l'entraînement, le modèle compare ses propres prédictions aux étiquettes réelles et ajuste pas à pas ses paramètres internes pour réduire l'erreur. Ce processus se répète jusqu'à ce que le modèle livre des prédictions fiables. Sa performance se vérifie ensuite sur un jeu de test distinct, qu'il n'a pas vu auparavant.
Classification et régression en comparaison
Le supervised learning se divise en deux grands types de tâches. Dans la classification, le modèle range une entrée dans l'une de plusieurs catégories, par exemple le classement d'un email comme spam ou la reconnaissance d'un objet sur une image. La sortie est ici une valeur discrète, soit une classe.
Dans la régression, le modèle prédit en revanche une valeur numérique continue. Les exemples sont la prédiction d'un prix immobilier d'après l'emplacement et la surface ou la prévision de la consommation d'énergie. Les deux méthodes reposent sur le même principe de données étiquetées mais diffèrent par la nature de la grandeur cible.
Quels algorithmes sont utilisés ?
Pour l'apprentissage supervisé existe une multitude d'algorithmes éprouvés. En font partie la régression linéaire et logistique, les arbres de décision, les forêts aléatoires, les machines à vecteurs de support ainsi que les réseaux de neurones artificiels. Le choix de la méthode dépend du volume de données, de la complexité du problème et des exigences d'exactitude et de traçabilité.
Les réseaux de neurones et les architectures de deep learning fondent aujourd'hui de nombreuses applications d'IA modernes. Ils sont entraînés de façon supervisée, par exemple pour la reconnaissance d'images ou de la parole, et exigent pour cela de grandes quantités de données soigneusement labellisées.
Défis et qualité des données
Le principal obstacle du supervised learning est l'obtention de données d'entraînement de qualité. L'étiquetage manuel est chronophage et coûteux, surtout pour de grands volumes ou des tâches complexes. Des étiquettes erronées ou biaisées mènent nécessairement à de moins bons modèles, l'algorithme apprenant aussi les mauvais motifs.
Un autre risque est le surapprentissage, ce qu'on appelle l'overfitting. Le modèle apprend alors trop littéralement les données d'entraînement et perd la capacité de généraliser à de nouvelles données. Une préparation des données et une validation réfléchies sont donc décisives pour le succès.
Mise en pratique et conseil par Elisabit
L'apprentissage supervisé est aujourd'hui présent dans d'innombrables applications, de la détection de fraude au diagnostic médical jusqu'à la classification d'images dans les boutiques en ligne. Pour les entreprises, il offre une entrée relativement accessible dans l'IA, à condition de disposer des données étiquetées nécessaires ou de pouvoir les produire.
Chez Elisabit, nous aidons les entreprises à choisir la méthode d’apprentissage adaptée à leurs cas d’usage, à préparer les données judicieusement et Solutions IA concrètement. L’apprentissage supervisé peut ainsi être intégré de façon ciblée aux processus métier existants et créer de la valeur.
Questions fréquentes
Quelle est la différence entre le supervised et l'unsupervised learning ?
En supervised learning, le modèle apprend de données labellisées aux réponses connues. En Unsupervised Learning il n'y a pas de réponses prédéfinies et le modèle trouve lui-même des structures dans les données. L'apprentissage supervisé convient aux prédictions, le non supervisé à la reconnaissance de motifs.
Quelles données faut-il pour l'apprentissage supervisé ?
Vous avez besoin d'un jeu de données où chaque entrée est assortie de la sortie correcte, l'étiquette. Selon la tâche, il peut s'agir d'images annotées, de textes classés ou de données tabulaires assorties de valeurs cibles. La qualité et la quantité de ces données étiquetées déterminent largement l'exactitude du modèle.
À quoi le supervised learning sert-il en pratique ?
L'apprentissage supervisé se retrouve dans la détection de spam, la reconnaissance d'images et de la parole, l'évaluation de solvabilité et le diagnostic médical. Partout où des prédictions fiables doivent être tirées d'exemples historiques, cette méthode est employée.
Que signifie le surapprentissage en supervised learning ?
Le surapprentissage décrit une adaptation excessive du modèle aux données d'entraînement. Le modèle apprend alors les exemples presque par cœur au lieu de reconnaître des motifs généraux, et livre de mauvais résultats sur de nouvelles données. Des méthodes comme la validation croisée et la régularisation permettent de contenir ce problème.
Termes associés
L'apprentissage automatique permet à des systèmes d'apprendre à partir de données et de faire des prédictions sans être explicitement programmés.
L'apprentissage non supervisé découvre seul des structures et des motifs dans les données, sans réponses prédéfinies.
L'apprentissage par renforcement permet à un agent d'apprendre le comportement optimal par essais, erreurs et récompenses.
L'apprentissage profond utilise des réseaux de neurones profonds pour détecter automatiquement des motifs complexes dans de grands volumes de données.
Un réseau de neurones est un modèle de calcul inspiré du cerveau, composé de neurones reliés entre eux, qui apprend à partir de données.
Mettre l'IA au service de votre entreprise ?
Nous vous aidons à intégrer l'intelligence artificielle dans vos processus, votre marketing et votre site — de manière stratégique et sûre.
Votre interlocuteur
Stefan
J'ai hâte de découvrir votre projet et de trouver ensemble la meilleure solution.
