SVM (PPS) - reussirlem2info

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.