L’apprentissage supervisé (en anglais : Supervised Learning) est le paradigme d’apprentissage le plus populaire en apprentissage automatique. Comme son nom l’indique, cela consiste à superviser l’apprentissage de la machine en lui montrant des exemples (des données) de la tâche qu’elle doit réaliser.
Les applications sont nombreuses : Reconnaissance vocale, vision par ordinateur, régressions, classifications...
Par exemple, la machine peut apprendre à reconnaître une photo de chien après qu’on lui ait montré des milliers (des millions) de photos de chiens. Ou encore apprendre à traduire le français en chinois après avoir vu des millions d’exemples de traduction français-chinois.
Parmi les modèles d'apprentissage supervisé qui existent, un des plus connus est certainement le réseau de neurones, que nous allons détailler dans les parties suivantes. Les réseaux de neurones sont particulièrement bien adaptés à la reconnaissance de formes pour identifier et classer des objets ou des signaux dans les systèmes de la parole, de la vision et du contrôle. Ils peuvent également être utilisés pour la prédiction et la modélisation de séries chronologiques.
Cette activité se compose en 3 TP et présente le perceptron, la brique de base des réseaux de neurones :
Dans cette activité, on se propose de classifier un jeu de données à l'aide d'un perceptron, et de découvrir les limites de cette modélisation.