Le surapprentissage survient quand un modèle apprend trop bien les données d'entraînement, y compris leur bruit, et échoue à généraliser. Il mémorise au lieu d'apprendre, comme un étudiant qui récite les annales sans comprendre. Remèdes : régularisation, dropout, plus de données, augmentation de données et arrêt précoce.