L'apprentissage supervisé entraîne un modèle sur des exemples étiquetés (entrées appairées avec les sorties correctes) pour qu'il apprenne à prédire les sorties pour de nouvelles entrées. C'est le type de ML le plus courant, utilisé pour la classification et la régression. Le comprendre approfondit les connaissances en ML.
Comment fonctionne l'apprentissage supervisé
TRAIN on LABELED data (input → known correct output):
1. collect a DATASET of examples with labels (e.g. emails labeled spam/not-spam)
2. split into TRAINING and TEST sets
3. the model learns to map inputs → outputs by minimizing prediction error on training data
4. EVALUATE on the test set (unseen data) → measure how well it generalizes
5. use the trained model to PREDICT outputs for new inputs (inference)
→ learn from examples with answers → predict answers for new cases
