Cet article présente une méthodologie innovante exploitant le contenu informationnel essentiel de vastes ensembles de données d’entrée pour améliorer la robustesse des modèles de régression. Cette approche repose sur l’apprentissage progressif, intégrant graduellement des données d’apprentissage de complexité croissante pour renforcer la robustesse du modèle. Cette méthode améliore la capacité prédictive par rapport à un apprentissage complet initial, sans écraser les poids du réseau préalablement entraîné. L’étude se concentre sur les moteurs électriques avec une généralisation visée vers d’autres systèmes industriels.