Séance de cours
Kernel SVM : Théorème d'expansion et de couverture polynomiales
Description
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.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.