En classification supervisée, la supervision humaine est requise pour associer des extit{labels} aux observations d'un jeu d'apprentissage qui sont ensuite utilisés pour construire un classifieur. Cependant, dans de nombreuses applications, la supervision humaine peut s'avérer être imprécise, difficile ou coûteuse. Dans de telles situations, les classifieurs supervisés peuvent être fortement destabilisés et produire des décisions instables. Pour pallier ce problème, nous proposons une méthode de classification robuste au bruit sur les labels qui se base sur un modèle de mélange. L'idée de la méthode proposée est de confronter une modélisation non supervisée des données avec l'information de supervision portée par les labels afin de détecter des inconsistences. La méthode est ensuite capable de construire un classifieur robuste prenant en compte les inconsistences détectées. Nous montrons également que cette approche peut être étendue à la classification faiblement supervisée dans laquelle la supervision est fournie par des informations faibles ou vagues. Références : C. Bouveyron & S. Girard, Robust supervised classification with mixture models: Learning from data with uncertain labels, Preprint HAL n°00325263, Equipe SAMOS, Université Paris 1 Panthéon-Sorbonne, September, 2008. Charles Bouveyron. Université Paris 1. Vous pouvez entendre l'intervention, tout en visualisant le Power Point, en cliquant sur ce lien : http://epn.univ-paris1.fr/modules/ufr27statim/UFR27STATIM-20090122-Bouveyron/UFR27STATIM-20090122-Bouveyron.html. Ecouter l'intervention : Bande son disponible au format mp3 Durée : 48 mn