Machines vectorielles de soutien: cartographie de données non linéaire

Cette séance de cours de l'instructeur couvre le concept de cartographie des données séparables non linéairement à des dimensions plus élevées en utilisant SVM. Divers exemples sont discutés, notamment la classification 1D et 2D, l'approximation polynomiale et l'utilisation de la MVS avec un noyau polynomial. La séance de cours se penche également sur l'expansion des caractéristiques polynomiales, la formulation des moindres carrés, la régularisation et les implications du bruit dans les données. Les applications de la MVS dans la prévision des précipitations et la prévision des cours des actions sont explorées. L'importance de méthodes d'ajustement de courbes minutieuses et l'interprétation des limites de décision linéaires dans les espaces de grande dimension sont mises en évidence.