Support Vecteurs Machines: Théorie et Applications

Cette séance de cours couvre la théorie et les applications des machines vectorielles de soutien (SVM) dans l'apprentissage des machines. Il explique l'invention par Vapnik d'un algorithme de formation pour les classificateurs de marge optimaux, le concept de réseaux support-vecteur, les classificateurs linéaires, les règles hard-SVM pour les hyperplans de séparation max-margin, les SVM souples pour les données non linéairement séparables, la classification par minimisation des risques, la relaxation convexe du risque de classification, les pertes pour la classification et l'application de la dualité convexe aux SVM. La séance de cours se penche également sur les techniques d'optimisation pour trouver l'hyperplan optimal, la dualité convexe dans les SVM, et l'interprétation de la double formulation dans les SVM.