Quelle approche d'apprentissage automatique est entraînée à l'aide de données où chaque exemple inclut les étiquettes de sortie correctes ?

L'apprentissage supervisé est la bonne réponse car il s'agit d'une approche d'apprentissage automatique où le modèle est entraîné sur un ensemble de données étiquetées, ce qui signifie que chaque exemple d'entrée est associé à la sortie correcte attendue. L'objectif est que le modèle apprenne à mapper les entrées aux sorties en généralisant à partir de ces paires. L'apprentissage non supervisé est incorrect car il traite des données sans étiquettes de sortie, cherchant plutôt des motifs ou des structures intrinsèques. L'apprentissage par renforcement est incorrect car il implique un agent apprenant par essais et erreurs dans un environnement, recevant des récompenses ou des pénalités. L'apprentissage par transfert est incorrect car il réutilise un modèle pré-entraîné sur une tâche similaire pour une nouvelle tâche, ce qui n'est pas la définition de la méthode d'entraînement initiale avec des données étiquetées.