Optimisation Sequentielle Minimal (SMO) Pour Les Machines à Vecteurs Support (SVMs)

dc.contributor.author	Kaim, Houaria
dc.date.accessioned	2018-12-20T08:39:04Z
dc.date.available	2018-12-20T08:39:04Z
dc.date.issued	2017
dc.identifier.uri	http://e-biblio.univ-mosta.dz/handle/123456789/7323
dc.description.abstract	Les machines à vecteurs de support sont un ensemble de techniques d apprentissage destinées à résoudre des problèmes de discrimination, c est-à-dire décidé à quelle classe ap- partient un échantillon. Les SVM sont une généralisation des classi er linéaires. Dons ce mémoire propose un nouvel algorithme pour la formation de machines à vecteurs de sup- port : Optimisation Minimal Séquentielle, ou SMO. L apprentissage d une machine à vecteur de support nécessite la solution de un très grand problème d optimisation de programmation quadratique (QP). SMO casse cette grande Problème QP dans une série de problèmes QP les plus petits possibles. Ces petits problèmes de QP sont résolus analytiquement, ce qui évite d utiliser une optimisation QP numérique longue en tant que Boucle interne.	en_US
dc.language.iso	fr	en_US
dc.relation.ispartofseries	MMA190;
dc.title	Optimisation Sequentielle Minimal (SMO) Pour Les Machines à Vecteurs Support (SVMs)	en_US
dc.type	Other	en_US