conclusion

cnam/travaux/probatoire/document.bib

@@ -124,3 +124,16 @@ title  = "Learning SVMs From Examples",
 year   = "2017",
 url    = "https://www.kdnuggets.com/2017/08/support-vector-machines-learning-svms-examples.html/2",
 }
+
+@misc{lib-svm,
+author = "Chih-Chung Chang and Chih-Jen Lin",
+title  = "LIBSVM",
+year   = "2019",
+url    = "https://www.csie.ntu.edu.tw/~cjlin/libsvm",
+}
+@misc{lib-svm-light,
+author = "Thorsten Joachims",
+title  = "SVMlight",
+year   = "2008",
+url    = "http://www.cs.cornell.edu/people/tj/svm_light",
+}

cnam/travaux/probatoire/document/conclusion.tex

@@ -1,12 +1,18 @@
 \section{Conclusion}
 
-Nombreux outils logiciels implémentant les \gls{svm},
-(libSVM, SVM-Light, SVMTorch) disponibles pour différents langages.
+Les \gls{svm} sont incontournables dans le domaine du \gls{ml},
+tant par leur polyvalence que leur flexibilité.
+Le nombre de pré-traitements, techniques, algorithmes et méthodes
+mathématiques impliqués en font un outil redoutablement efficace
+pour la régression et la classification de données.
 
-Nativement bons linéairement, noyau permet apprentissage non-linéaire.
+De très nombreux langages de programmation permettent aujourd’hui de
+s’interfacer avec des librairies implémentant déjà nombre de ces concepts
+(par exemple libSVM \cite{lib-svm} ou encore SVM-Light \cite{lib-svm-light}).
 
-Noyau élément clé, \gls{kf} pas facile à choisir.
-
-Il faut savoir rester patient pour les temps d’entraînement.
+Même si certains éléments clés comme le \gls{kt} et les \glspl{kf}
+sont bien ancrés, ce domaine est toujours un champ de recherche en
+constante activité. Au fil du temps, de nouvelles techniques et optimisations
+ont vu le jour, et d’autres viendront encore aiguiser les modèles…
 
 \pagebreak

cnam/travaux/probatoire/todo

@@ -1,6 +1,5 @@
-listoffigures
-conclusion
 résumé
 mots-clés
-vérifier formatage de bibliographie
-annexes ?
+? where listoffigures
+? tri de bibliographie
+? formatage de bibliographie