\section{Principes}

L’approche \gls{svm} est une méthode supervisée de classification d’éléments
utilisant :
\begin{enum}
\item{un \gls{dataset} d’apprentissage pour entraîner l’algorithme,\\
et qui fait donc office de superviseur}
\item{un \gls{dataset} de test pour vérifier sa pertinence}
\end{enum}

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)}
\end{itmz}

En fonction du type de problèmes à résoudre,
deux types de résolution sont disponibles :
\begin{itmz}
\item{régression linéaire}
\item{régression non linéaire}
\item{classification linéaire}
\item{classification non linéaire}
\end{itmz}

\subsection{Régression}

…

\subsubsection{Régression linéaire}

\bifig{}{Régression linéaire \cite{homl-linear}}
{16em}{regression_linear_left}{regression_linear_right}

…

\subsubsection{Régression non linéaire}

\bifig{}{Régression non linéaire \cite{homl-nonlinear}}
{16em}{regression_nonlinear_left}{regression_nonlinear_right}

…

\subsection{Classification}

…

\subsubsection{Classification linéaire}

…

\bifig{}{Vaste marge \cite{homl-large-scale}}
{9em}{margin_large_left}{margin_large_right}

…

\bifig{}{ \cite{homl-large-scale}}
{10em}{margin_scale_left}{margin_scale_right}

…

\bifig{}{ \cite{homl-hard-few}}
{9em}{margin_hard_left}{margin_hard_right}

…

\bifig{}{ \cite{homl-hard-few}}
{9em}{margin_few_left}{margin_few_right}

…

\subsubsection{Classification non linéaire}

…

\bifig{}{Séparabilité linéaire \cite{homl-nonlinear-linear}}
{14em}{nonlinear_linear_left}{nonlinear_linear_right}

…

\bifig{}{Fonction noyau polynominale \cite{homl-poly}}
{14em}{kernel_polynomial_left}{kernel_polynomial_right}

…

\bifig{}{Fonction noyau gaussien \gls{rbf} \cite{homl-rbf}}
{26em}{kernel_rbf_left}{kernel_rbf_right}

…

\cite{svm}

\pagebreak