intro,principles

cnam/travaux/probatoire/document/glossaries.tex

@@ -20,7 +20,7 @@ description={données massives}
 name={clustering},
 description={regroupement d’éléments en sous-ensembles caractéristiques}
 }
-\newglossaryentry{dataset}{
+\newglossaryentry{ds}{
 name={dataset},
 plural={datasets},
 description={ensembles de données}
@@ -38,6 +38,10 @@ description={apprentissage machine automatique}
 name={stéganographie},
 description={dissimulation d’informations dans un plus grand ensemble}
 }
+\newglossaryentry{sigmoid}{
+name={sigmoïde},
+description={courbe à double asymptôte 0 et 1, centrée sur 0,5}
+}
 \newglossaryentry{sv}{
 name={support vector},
 plural={support vectors},

cnam/travaux/probatoire/document/introduction.tex

@@ -13,7 +13,7 @@ analyser puis exploiter ces \gls{bd}.
 
 Le \gls{ml} regroupe les différentes nouvelles approches méthodologiques
 permettant de faire ressortir une compréhension des \gls{bd}, en extraire
-des \glspl{dataset} exploitables puis, à partir de cet apprentissage,
+des \glspl{ds} exploitables puis, à partir de cet apprentissage,
 être en mesure de comprendre de nouvelles données.
 
 Les 2 défis à relever pour être pertinents dans cette démarche :

cnam/travaux/probatoire/document/principles.tex

@@ -1,11 +1,10 @@
 \section{Principes}
 
-L’approche \gls{svm} est une méthode supervisée de classification d’éléments
-utilisant :
+L’approche \gls{svm} est un ensemble de méthodes supervisées utilisant :
 \begin{enum}
-\item{un \gls{dataset} d’apprentissage pour entraîner l’algorithme,\\
+\item{un \gls{ds} d’apprentissage pour entraîner l’algorithme,\\
 et qui fait donc office de superviseur}
-\item{un \gls{dataset} de test pour vérifier sa pertinence}
+\item{un \gls{ds} de test pour vérifier sa pertinence}
 \end{enum}
 
 Cette approche se révèle appropriée dans de nombreux cas d’utilisation :
@@ -22,15 +21,30 @@ Cette approche se révèle appropriée dans de nombreux cas d’utilisation :
 \item{classification de documents en différentes catégories}
 \end{itmz}
 
-En fonction du type de problèmes à résoudre,
-deux types de résolution sont disponibles :
+En fonction du type de problèmes, deux types de résolution :
 \begin{itmz}
-\item{régression linéaire}
-\item{régression non linéaire}
-\item{classification linéaire}
-\item{classification non linéaire}
+\item{\textbf{régression}}
+\item{\textbf{classification}}
 \end{itmz}
 
+En fonction des \glspl{ds}, deux types d’approches mathématiques :
+\begin{itmz}
+\item{\textbf{linéaire}}
+\item{\textbf{non linéaire}}
+\end{itmz}
+
+Quatre paramètres permettent d’affiner le modèle :
+\begin{itmz}
+\item{\textbf{noyau} : linéaire, \gls{rbf}, polynominal ou \gls{sigmoid}}
+\item{\textbf{degré} : aide à trouver un \gls{hpp} séparateur en contexte polynominal,
+faisant rapidement augmenter le temps nécessaire à l’entraînement}
+\item{\textbf{gamma} : pour les \glspl{hpp} non linéaires}
+\item{\textbf{C} : pénalité augmentant la distance des données prises en compte,\\
+au risque d’engendrer un surentraînement si trop importante}
+\end{itmz}
+
+\pagebreak
+
 \subsection{Régression}
 
 …