wip

cnam/travaux/probatoire/document/principles.tex

@@ -13,12 +13,12 @@ Cette approche se révèle appropriée dans de nombreux cas d’utilisation :
 \item{classification d’images, quel que soit le \gls{si}}
 \item{détection de \gls{sgn} dans des fichiers multimédias}
 \item{quantification de granularité dans des textures}
-\item{reconnaissance de caractères dans des images}
+\item{reconnaissance de caractères et d’écriture dans des images}
 \item{classification d’expressions faciales dans des images}
 \item{reconnaissance vocale dans des échantillons sonores}
-\item{classification de protéines}
+\item{classification et prédiction de structure de protéines}
 \item{établissement de diagnostics médicaux}
-\item{classification de documents en différentes catégories}
+\item{classification de documents texte en différentes catégories}
 \end{itmz}
 
 En fonction du type de problèmes, deux types de résolution :
@@ -215,11 +215,28 @@ Faire varier \textbf{γ} (rangées) modifie l’épaisseur de la « cloche »
 
 \pagebreak
 
-Autres noyaux
-String kernels documents texte, séquences d’ADN
+\textbf{Autres noyaux}
+
+\begin{itmz}
+\item{String kernels documents texte, séquences d’ADN}
+\item{hyperbolic tangent}
+\end{itmz}
+
+\textbf{Autres outils}
+
+Des algorithmes récents se sont montrés plus efficaces avec de grands \glspl{ds} :
+
+\begin{itmz}
+\item{sub-gradient descent}
+\item{coordinate descent}
+\end{itmz}
+
+\subsubsection{Classification multi-classes}
 
 Référence multi-classes \cite{multi-class}
 
+\subsubsection{Optimisation}
+
 Référence optimisation \cite{mri} \cite{optimization}
 
 \pagebreak