- Apprentissage supervisé
- L'apprentissage supervisé est une forme d'apprentissage automatique dans laquelle un algorithme apprend à partir d'un ensemble d'exemples étiquetés.
- Chaque exemple est composé d'une entrée et d'une sortie souhaitée, et l'algorithme d'apprentissage supervisé tente d'apprendre une fonction qui mappe les entrées aux sorties souhaitées. Une fois que l'algorithme a été formé sur l'ensemble d'exemples étiquetés, il peut être utilisé pour prédire les sorties pour de nouvelles entrées non étiquetées.
- L'apprentissage supervisé est utilisé dans une variété d'applications, telles que la classification, la régression et la prédiction. Il s'appuie sur des ensembles de données étiquetées et nécessite donc un processus de collecte et d'annotation de données.
- Les IA génératives comme Midjourney sont basées sur ce principe : on leur a montré des milliards de paires image + description, et elles ont appris à reconstituer les images à partir des descriptions.
Explication simplifiée
Imagine que tu es un développeur travaillant sur un système de détection de fraude pour une entreprise de cartes de crédit. Tu veux que ton application puisse identifier les transactions frauduleuses, mais il y a beaucoup de variations dans les transactions, et il est difficile de programmer manuellement une application qui puisse identifier toutes les transactions frauduleuses.
Tu peux utiliser un algorithme d'apprentissage supervisé pour entraîner ton application à identifier les transactions frauduleuses.
Tu disposes d'un ensemble d'exemples étiquetés, composés de transactions et d'une étiquette indiquant si la transaction est frauduleuse ou non. L'algorithme d'apprentissage supervisé tente d'apprendre une fonction qui mappe les transactions aux étiquettes souhaitées.
Par exemple, tu peux utiliser un algorithme de classification supervisée, tel qu'un arbre de décision ou un réseau de neurones, pour identifier les transactions frauduleuses. L'algorithme est formé sur l'ensemble d'exemples étiquetés, et il apprend à identifier les caractéristiques des transactions frauduleuses.
Une fois que l'algorithme a été formé, il peut être utilisé pour prédire les étiquettes des transactions non étiquetées. Par exemple, si une nouvelle transaction est effectuée, l'algorithme peut prédire si elle est frauduleuse ou non en utilisant la fonction apprise pendant la formation.
