# CM2 : Apprentissage Supervisé ---

## 1. Apprentissage Supervisé On donne à la machine des exemples : $$ (x, y) $$ * $x$ : Les données (features). * $y$ : La réponse attendue (label/target). **But** : Trouver une fonction $f$ telle que $f(x) \approx y$.

## Régression vs Classification * **Régression** : $y$ est un nombre continu. * *Prix d'une maison, Température.* * **Classification** : $y$ est une catégorie (classe). * *Spam/Non-Spam, Chat/Chien.* ---

## 2. Régression Linéaire On cherche une droite qui passe au milieu des points. $$ y = ax + b $$ <iframe class="embedded-notebook" src="/observables/linear-regression/index.html" width="100%" height="600px"></iframe>

## L'Erreur (MSE) On veut minimiser la somme des erreurs au carré. $$ MSE = \frac{1}{N} \sum (y_{vrai} - y_{predit})^2 $$

## Descente de Gradient Comment trouver le meilleur $a$ et $b$ ? On descend la pente de l'erreur petit à petit. 1. Calculer la pente (dérivée). 2. Faire un pas vers le bas. 3. Répéter. ---

## 3. K-Nearest Neighbors (KNN) "Dis-moi qui sont tes voisins, je te dirai qui tu es." Algorithme : 1. Calculer la distance avec tous les points connus. 2. Prendre les **K** plus proches. 3. Vote majoritaire.

## Démo KNN <iframe class="embedded-notebook" src="/observables/knn/index.html" width="100%" height="600px"></iframe>

## L'Hyperparamètre K * **K petit (1)** : Sensible au bruit (Overfitting). Frontières très découpées. * **K grand (100)** : Moyenne globale (Underfitting). Frontières lisses. ---

## 4. Arbres de Décision On pose une série de questions binaires (Oui/Non). "Est-il rouge ?", "Est-il grand ?"... <iframe class="embedded-notebook" src="/observables/decision-tree/index.html" width="100%" height="600px"></iframe>

## Avantages / Inconvénients * **KNN** : Simple mais lent (doit tout recalculer). * **Arbre** : Interprétable ("White Box") mais instable.