Support Vector Machines
Présenté par :
BEKHELIFI Okba
Master 2 RFIA
Module: Optimisation Avancée
Exposé sur:
Responsable du module:
PR. BENYETTOU Mohamed
Année universitaire:
2012-2013
1. Introduction
2. Définition
3. Historique
4. Domaines d’application
5. Principes
6. Implémentation
7. Exemple d’application
8. Avantages & Inconvénient
9. Conclusion
Références
Face aux exigences progressives de la
résolution des problèmes de classification les
méthodes classiques dévoiles des limites
Besoin de nouveaux techniques et méthodes
Apparition des SVMs avec des approches
différentes pour apprentissage supervisé
Support Vector Machines ou maximum margin
classifier
Techniques d’apprentissage supervisé fondées
sur la théorie d’apprentissage statistique.
Application de SRM(structural risk
minimization ): trouver un séparateur qui
minimise la somme de l’erreur de
l’apprentissage
2 notion de base: marge maximale & méthode a
Kernel
Vladimir Vapnik
1974 Vapnik et Chervonenkis fondent le domaine d’apprentissage
statistique.
1979 la 1ére édition de l’ouvrage «Estimation of Dependences
Based on Empirical Data” par Vapnik & Chervonenkis (en langue russe)
1982 traduction de l’ouvrage «Estimation of Dependences
Based on Empirical Data” en Anglais par Vapnik.
1992 pour la COLT 92 : proposition d’utilisation de la Kernel
Trick d’Aizerman par Boser, Guyon and Vapnik.
1995 introduction du classifieur a marge souple (soft margin) par Vapnik & Cortes, la
naissance officielle des SVMs.
1998 1ére critique sur les SVMs montrant la limite de la marge dure, Bartlett and
Shawe-Taylor
2000 Démonstration des limites de la soft margin, Shawe-Taylor and Cristianini.
1 / 40 100%
La catégorie de ce document est-elle correcte?
Merci pour votre participation!

Faire une suggestion

Avez-vous trouvé des erreurs dans linterface ou les textes ? Ou savez-vous comment améliorer linterface utilisateur de StudyLib ? Nhésitez pas à envoyer vos suggestions. Cest très important pour nous !