Cette séance de cours couvre les bases de Support Vector Machines (SVM), en commençant par une introduction à SVM et son rôle dans les algorithmes de classification. L'instructeur explique le concept de la perte de charnière et son application à la classification correcte des points de données. La séance de cours se penche sur l'optimisation de la séparation hyperplane et la gestion des données non séparables à l'aide de variables slack. Il explore également la formulation de SVM à marge dure et l'introduction d'un terme pénal pour les erreurs de classification. La séance de cours se termine par une discussion sur la classification non linéaire à l'aide de noyaux et la double forme du problème de la MVS.