Extensions de machines vectorielles de soutien: SVM, RVM, SVM transductrice

Cette séance de cours couvre des sujets avancés dans l'apprentissage automatique, se concentrant sur les extensions Support Vector Machine (SVM) tels que Pertinence Vector Machine (RVM), Transductive SVM, et Support Vector Clustering. Il examine les concepts de regroupement, de regroupement semi-supervisé et de classification, en mettant l'accent sur l'utilisation d'étiquettes pour déterminer les limites des classes. La séance de cours explore la fonction de décision de SVM, les différents types de limites générées par les noyaux polynômes, et le rôle de paramètres comme la largeur du noyau et le nombre de clusters. Il se penche également sur les caractéristiques et l'optimisation de RVM, les différences entre SVM et RVM, et l'application de SVM dans le cluster transducteur. Les exercices comprennent la résolution de problèmes SVM, la compréhension des limites d'erreur et l'exploration de l'influence des vecteurs de support sur la classification.