Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
Les machines à vecteurs supports dans l'analyse des bases de données
Academiques - EAN : 9783838170022
Édition papier
EAN : 9783838170022
Paru le : 18 juil. 2012
49,00 €
46,45 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9783838170022
- Réf. fournisseur : 5819603
- Editeur : Academiques
- Date Parution : 18 juil. 2012
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 128
- Format : H:229 mm L:152 mm E:8 mm
- Poids : 200gr
- Interdit de retour : Retour interdit
- Résumé : La technique des machines à vecteurs supports (SVM) est une méthode d'apprentissage statistique qui a connu, cette dernière décennie, un grand développement en théorie et en application. Elle repose sur un fondement théorique solide basé sur le principe de maximisation de la marge, ce qui lui confie une grande capacité de généralisation. Les SVMs ont été utilisées avec succès dans plusieurs domaines tels que la reconnaissance des visages, des textes manuscrits, de la parole, ...etc. Dans ce travail, nous avons traité la question de l'utilisation de la méthode SVM pour l'analyse des bases de données. En effet, Le processus d'analyse passe par plusieurs étapes, dans chacune, les données subissent des traitements qui peuvent être optimisés par l'utilisation de la méthode SVM. Le travail présenté ici propose deux techniques d'accélération des SVMs, la première pour les SVMs binaires tandis que la deuxième pour les SVMs multiclasses. Les contributions proposées ont été validées sur des données artificielles et réelles largement utilisées par la communauté, et appuyées par des analyses montrant leurs avantages et leurs limites.