beninca.link/cnam.marc
beninca.link/cnam.marc
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

glossaries,principles,analysis

Browse source
This commit is contained in:
Marc Beninca 2020-08-10 12:40:03 +02:00
parent 0330e32f8f
commit e8cb247a0b
3 changed files with 25 additions and 2 deletions
Download patch file Download diff file Expand all files Collapse all files

9
cnam/travaux/probatoire/document/analysis.tex
View file

@ -3,6 +3,11 @@
\subsection{Avantages}
\begin{itmz}
\item{très efficace avec une marge de séparation nette}
\item{fonctionne avec un grand nombres d’espaces dimensionnels}
\item{reste pertinent même avec plus de dimensions que d’éléments}
\item{économise la mémoire avec des \gls{sv} dans la fonction de décision}
\item{extension du concept de perceptron\\
afin de maximiser la marge géométrique ???}
\end{itmz}
@ -12,6 +17,10 @@ afin de maximiser la marge géométrique ???}
\subsection{Inconvénients}
\begin{itmz}
\item{le temps d’entraînement augmente avec le nombre d’éléments}
\item{fonctionne mal quand des classes se recouvrent}
\item{les calculs de probabilité de justesse sont très coûteux}
\item{compréhension difficile}
\item{hautement mathématique}
\item{effet boîte noire}

8
cnam/travaux/probatoire/document/glossaries.tex
View file

@ -29,6 +29,14 @@ description={ensembles de données}
name={machine learning},
description={apprentissage machine automatique}
}
\newglossaryentry{sgn}{
name={stéganographie},
description={dissimulation d’informations au sein d’un plus grand ensemble}
}
\newglossaryentry{sv}{
name={support vectors},
description={sous-ensemble de données d’entraînement}
}
\pagebreak

10
cnam/travaux/probatoire/document/principles.tex
View file

@ -10,9 +10,15 @@ et qui fait donc office de superviseur}
Cette approche se révèle appropriée dans de nombreux cas d’utilisation :
\begin{itmz}
\item{classification d’images, quel que soit le \gls{si}}
\item{classification de protéines, dans le champ médical}
\item{filtrage d’email, courriel légitime ou pourriel (phishing, spam)}
\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{classification d’expressions faciales dans des images}
\item{reconnaissance vocale dans des échantillons sonores}
\item{classification de protéines}
\item{établissement de diagnostics médicaux}
\end{itmz}
En fonction du type de problèmes à résoudre,