44 lines
1.3 KiB
TeX
44 lines
1.3 KiB
TeX
\phantomsection
|
|
\addcontentsline{toc}{section}{Résumé}
|
|
|
|
\cnam
|
|
|
|
\begin{large}\fulltitle\end{large}
|
|
|
|
\textbf{\goal}
|
|
|
|
\textbf{Bordeaux, 2020}
|
|
|
|
\hr
|
|
|
|
\textbf{RÉSUMÉ}
|
|
|
|
La croissance constante du \gls{bd} nécessite de nouvelles méthodes d’analyse.\\
|
|
Le \gls{ml} propose une famille de méthodologies, parmi laquelle\\
|
|
les \gls{svm} permettent à la fois régression et classification de ces données.
|
|
|
|
La polyvalence et la flexibilité des \gls{svm} les ont donc rendus incontournables.\\
|
|
D’autant que de nombreux langages et librairies permettent de les utiliser.\\
|
|
Au fil du temps, ces outils ont toujours été améliorés, et continuent de l’être…
|
|
|
|
\textbf{Mots clés : svm, noyau, linéaire, régression,\\
|
|
classification, apprentissage, machine, données.}
|
|
|
|
\hr
|
|
|
|
\textbf{SUMMARY}
|
|
|
|
The constant growth of big data requires new methods of analysis.\\
|
|
\Gls{ml} provides a whole family of dedicated methodologies,\\
|
|
including \gls{svm} that allow both regression and classification of \glspl{ds}.
|
|
|
|
The flexibility and versatility of \gls{svm} therefore made them indispensable.\\
|
|
Especially since now many languages and libraries enable their usage.\\
|
|
Over time, these tools have always been and continue to be improved…
|
|
|
|
\textbf{Key words: svm, kernel, linear, regression,\\
|
|
classification, machine, learning, datasets.}
|
|
|
|
\thispagestyle{empty}
|
|
|
|
\pagebreak
|