Méthode d'intelligence artificielle où un modèle apprend à partir de données annotées (entrées + sorties attendues). Très utilisée pour la classification et la régression, elle alimente des cas d'usage courants comme la détection de spams, la reconnaissance d'images ou la prédiction de churn.
L'apprentissage supervisé consiste à entraîner un modèle à partir d'exemples étiquetés : pour chaque observation d'entrée, la « bonne réponse » est fournie. L'algorithme ajuste ses paramètres afin de minimiser l'écart entre ses prédictions et la sortie attendue au moyen d'une fonction de perte et d'une procédure d'optimisation (par exemple, descente de gradient). Le cadre est adapté aux tâches de classification (étiquette discrète) et de régression (valeur continue). La qualité des données et de l'annotation est déterminante pour la performance du modèle ; des biais d'échantillonnage ou de libellés peuvent se propager dans les résultats. L'évaluation s'appuie sur un jeu de test indépendant et des métriques adaptées (précision, rappel, F1, AUC pour la classification ; RMSE, MAE pour la régression). L'apprentissage supervisé se distingue de l'apprentissage non supervisé, qui découvre des structures sans étiquettes, et du renforcement, guidé par des récompenses différées.
Découvrez tous nos termes et concepts dans le lexique complet