travaux

cnam/probatoire/document/back.tex

@@ -0,0 +1,44 @@
+\phantomsection
+\addcontentsline{toc}{section}{Résumé}
+
+\cnam
+
+\begin{large}\fulltitle\end{large}
+
+\textbf{\goal}
+
+\textbf{Bordeaux, 2020}
+
+\hr
+
+\textbf{RÉSUMÉ}
+
+La croissance constante du \gls{bd} nécessite de nouvelles méthodes d’analyse.\\
+Le \gls{ml} propose une famille de méthodologies, parmi laquelle\\
+les \gls{svm} permettent à la fois régression et classification de ces données.
+
+La polyvalence et la flexibilité des \gls{svm} les ont donc rendus incontournables.\\
+D’autant que de nombreux langages et librairies permettent de les utiliser.\\
+Au fil du temps, ces outils ont toujours été améliorés, et continuent de l’être…
+
+\textbf{Mots clés : svm, noyau, linéaire, régression,\\
+classification, apprentissage, machine, données.}
+
+\hr
+
+\textbf{SUMMARY}
+
+The constant growth of big data requires new methods of analysis.\\
+\Gls{ml} provides a whole family of dedicated methodologies,\\
+including \gls{svm} that allow both regression and classification of \glspl{ds}.
+
+The flexibility and versatility of \gls{svm} therefore made them indispensable.\\
+Especially since now many languages and libraries enable their usage.\\
+Over time, these tools have always been and continue to be improved…
+
+\textbf{Key words: svm, kernel, linear, regression,\\
+classification, machine, learning, datasets.}
+
+\thispagestyle{empty}
+
+\pagebreak