Introduction au Machine learning 1

Crédit : 2 ECTS

Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé.

1. Différents types de problèmes statistiques : supervisés et non supervisés
2. Calibration et prédiction : comment éviter l’over-fitting
3. Mesure de la complexité d’un modèle selon Vapnik-Chervonenkis
4. Inégalité de Vapnik-Chervonenkis et contrôle de l’erreur de prédiction
5. Les SVMs à marge maximale et les enveloppes convexes
6. Séparations avec erreurs les C-SVM et le problème Dual
7. Extension des Support Vector Machines via de noyaux, Théorème de Mercer
8. Séparation, le cas orthogonal sur une sphère
9. Mu-SVM, dualité et enveloppes convexes réduites
10. Les SVMs à classe unique, problèmes non supervisés, clustering
11. Le problème dual et boule de rayon minimale
12. Application à l’analyse de crédit



Année universitaire 2019 - 2020 - Fiche modifiée le : 04-06-2019 (10H57) - Sous réserve de modification.