wip

cnam/travaux/probatoire/document/conclusion.tex

@@ -1,5 +1,12 @@
 \section{Conclusion}
 
-…
+Nombreux outils logiciels implémentant les \gls{svm},
+disponibles pour différents langages.
+
+Nativement bons linéairement, noyau permet apprentissage non-linéaire.
+
+Noyau élément clé, \gls{kf} pas facile à choisir.
+
+Il faut savoir rester patient pour les temps d’entraînement.
 
 \pagebreak

cnam/travaux/probatoire/document/critics.tex

@@ -16,8 +16,8 @@ résoudre des problèmes de régression ou de classification}
 
 \end{itmz}\begin{itmz}
 
-\item{est une alternative aux réseaux de neurones,\\
-dans le cas de \glspl{ds} de taille réduite}
+\item{est souvent une meilleure alternative aux réseaux de neurones,\\
+surtout dans le cas de \glspl{ds} de taille réduite}
 
 \end{itmz}\begin{itmz}
 
@@ -25,7 +25,8 @@ dans le cas de \glspl{ds} de taille réduite}
 
 \end{itmz}\begin{itmz}
 
-\item{peut capturer des relations complexes dans des \glspl{ds}}
+\item{peut capturer des relations complexes dans des \glspl{ds},\\
+même sans connaissance préalable de ces dernières}
 
 \end{itmz}\begin{itmz}
 
@@ -52,7 +53,7 @@ par l’intermédiaire de différentes \glspl{kf}}
 
 \end{itmz}\begin{itmz}
 
-\item{une variété de \glspl{kf} existe pour les fonctions de décision}
+\item{de nombreuses \glspl{kf} existent pour les fonctions de décision}
 
 \end{itmz}\begin{itmz}
 
@@ -82,7 +83,8 @@ car ces derniers doivent y être intégralement stockés}
 
 \end{itmz}\begin{itmz}
 
-\item{difficile d’identifier les bonnes valeurs de paramètres}
+\item{difficile d’identifier les bonnes valeurs de paramètres,\\
+sans passer par des techniques comme \gls{gs}}
 
 \end{itmz}\begin{itmz}
 
@@ -117,7 +119,7 @@ plusieurs paramètres varient, contrairement à d’autres méthodes}
 \end{itmz}\begin{itmz}
 
 \item{une normalisation préalable des données est nécessaire,\\
-pour que les fonctions objectifs restent pertinentes}
+pour que les fonctions objectifs soient plus pertinentes}
 
 \end{itmz}\begin{itmz}
 

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