AI 용어집
인공지능 완전 사전
SVM Linéaire
Version de base des SVM utilisant des hyperplans linéaires pour séparer les classes dans l'espace d'origine.
SVM à Noyau
Extension des SVM utilisant des fonctions noyau pour transformer les données et gérer les frontières de décision non-linéaires.
SVR (Support Vector Regression)
Adaptation des SVM pour les problèmes de régression en utilisant une marge de tolérance epsilon.
SVM One-Class
Variante pour la détection d'anomalies apprenant uniquement sur les données normales pour identifier les outliers.
Fonctions Noyau SVM
Ensemble des fonctions mathématiques (RBF, polynomial, sigmoïde) permettant de projeter les données dans des espaces de dimension supérieure.
SVM Multiclasse
Stratégies (one-vs-one, one-vs-all) pour étendre les SVM binaires aux problèmes de classification multi-classes.
Optimisation SVM
Algorithmes d'optimisation (SMO, gradient stochastique) pour résoudre le problème quadratique des SVM.
SVM Probabiliste
Extension des SVM fournissant des probabilités de classification via des méthodes comme Platt scaling ou isotonic regression.
SVM en Ligne
Variants adaptatifs des SVM capables d'apprendre incrémentalement à partir de flux de données continus.
SVM pour Données Déséquilibrées
Techniques (weighted SVM, cost-sensitive SVM) pour gérer les jeux de données avec distribution de classes inégale.
SVM Distribué
Implémentations parallèles des SVM sur des architectures distribuées pour traiter des données massives.
SVM Hiérarchique
Approche structurant les classifications hiérarchiquement pour améliorer l'efficacité sur des problèmes complexes.