Réponse rapide
L’apprentissage supervisé apprend une relation entre entrées et sorties à partir d’exemples annotés, par exemple images et classes ou capteurs et poses, puis estime une sortie sur des données nouvelles.
Une annotation fausse devient une règle apprise
Le modèle peut généraliser biais, erreurs ou raccourcis du jeu de données. Séparez test, surveillez confiance et gardez vérification et repli avant action.
Préparer les exemples
Mesures, cible, unité, repère, qualité, contexte et annotation doivent être cohérents et représentatifs de la mission.
Séparer l’évaluation
Entraînement, validation et test restent distincts et couvrent variations, inconnus, erreurs d’annotation et conditions du robot.
Relier au comportement
Confiance, latence, dérive et erreur sont vérifiées avant d’utiliser la prédiction pour planifier ou commander.
Sources et références
- [1] Supervised learning — scikit-learn User Guide — scikit-learn
- [2] Robotics and Autonomous Systems Technology Roadmaps — NASA