Estimation maximale de vraisemblance : modèles linéaires

Cette séance de cours couvre le concept d'estimation du maximum de vraisemblance dans le contexte des modèles de mesure linéaires, où les observations sont supposées être générées par des paramètres inconnus et du bruit. L'instructeur explique comment estimer les paramètres en maximisant la fonction de vraisemblance, en utilisant des exemples avec un bruit gaussien et uniforme. La séance de cours se penche également sur l'estimation de la covariance pour les variables gaussiennes et l'application des machines vectorielles de support (SVM) pour les problèmes de classification, y compris les SVM à marge dure et douce. Les problèmes d'optimisation SVM, la perte de charnière, et les termes de régularisation sont discutés, ainsi que les formulations primaires et doubles du problème SVM.