Apprentissage Statistique Supervisé
Résumé
This article deals with supervised statistical machine-learning as a tool for
engineers. First, the main theoretical and methodological principles are briefly presented
and explained. Then, the article presents the most common models and algorithms used
for supervised learning: the main “classical” techniques (Multi-Layer Perceptron, Support
Vector Machines, Decision Trees and Random Forests, Boosting) are explained, as well
as deep-learning with Convolutional Neural Networks.
Cet article est consacré à l’apprentissage statistique supervisé, en tant qu’outil
pour l’ingénieur. D’abord sont présentés et expliqués succinctement les grands principes
théoriques et méthodologiques. Puis l’article décrit les modèles et algorithmes les plus
couramment utilisés en apprentissage supervisé. Y sont présentées et expliquées d’une
part les principales techniques « classiques » (Perceptron Multi-Couche, Séparateur à
Vaste Marge, Arbres de Décision et Forêts Aléatoires, Boosting), et d’autre part
l’apprentissage profond de réseau convolutionnel.