Cet article montre que si l'on dispose d'une connaissance a priori sur le problème en main, l'intégration de cette dernière dans le processus d'apprentissage d'une machine intelligente pour des tâches de classification peut améliorer la performance de cette machine. Nous étudions l'effet de l'intégration de la connaissance a priori de convexité sur le processus d'apprentissage du principe du Maximum d'Entropie (MaxEnt) en utilisant des exemples virtuels. Nous testons les idées proposées sur un problème benchmark bien connu dans la littérature des machines d'apprentissage, le problème de formes d'ondes de Breiman. Nous avons abouti à un taux d'erreur de généralisation de 15.57% qui est très proche du taux d'erreur théorique estimé par Breiman (14%).