Kernel SVM : Théorème d'expansion et de couverture polynomiales

Cette séance de cours couvre le concept d'expansion des caractéristiques polynomiales dans les SVM, le rôle des espaces de grande dimension dans la classification et le théorème de Cover. Il explique comment les SVM peuvent gérer des données séparables non linéaires en utilisant l'astuce du noyau et l'importance des vecteurs de support. L'instructeur discute également de la formulation lagrangienne, de l'optimisation contrainte et du double problème des SVM. En outre, il explore les applications pratiques des MVS dans l’analyse d’images, telles que les superpixels SLIC et la segmentation des mitochondries.