# Regression linéaire
-> Trouver les paramètres d'une fonction pour qu'elle colle aux données
# Erreur d'estimation
# Apprentissage supervisé
## Hypothèses
- Il existe une fonction cible, **f** : _observations -> étiquette
- Cependant, cette fonction est inconnue
- On dispose d'un nombre d'observations et d'étiquettes associées
## But
Trouver une fonction $h$ qui approxime $f$ étant donné notre ensemble d'apprentissage
## Différence avec l'apprentissage humain
- On n'utilise aucun connaissance existante à priori
- On dispose d'accès limité au données
- On pose des hypothèses sur la forme de $f$
# Généralité de l'approche
Ajout de termes de régularisation

# Arbres de décision