Machines vectorielles de soutien: bases et applications

Cette séance de cours couvre les bases des machines vectorielles de support (SVM), y compris les hyperplans, la prédiction multi-sorties, la non-linéarité, l'interprétation probabiliste, la régression logistique, les limites de décision, le classificateur de marge maximale, les variables slack, la formulation SVM et des exemples pratiques. Il traite également de la malédiction de la dimensionnalité, de la méthode du plus proche voisin, des modèles linéaires, des histogrammes et de l'algorithme k-NN. La séance de cours se termine par des exercices sur la mise en œuvre de SVM et de k-NN.