SVM et Feature Maps

Cette séance de cours se penche sur le concept de Support Vector Machines (SVM) et l'introduction aux cartes de fonctionnalités. L'instructeur explique la perte logistique et la perte de charnière pour les problèmes de classification, en soulignant l'importance de trouver la solution de marge maximale. En transformant les données en espaces de dimensions supérieures à l'aide de cartes de fonctionnalités, les SVM peuvent gérer des données séparables non linéairement. La séance de cours couvre également le compromis biais-variance, la régularisation et l'importance du choix de la bonne carte des caractéristiques. En outre, l'instructeur présente la méthode du noyau et la méthode de l'espace fonctionnel comme des approches alternatives pour comprendre les MVS dans les dimensions supérieures.