Séparateur à vaste marge - Historique des versions

Pitpitt le 20 avril 2026 à 00:50

2026-04-20T00:50:23Z

← Version précédente		Version du 19 avril 2026 à 20:50
Ligne 34 :		Ligne 34 :

	'''kernel method'''		'''kernel method'''

			The support vector machine (SVM) is a supervised learning algorithm based on a generalization of linear classifiers and designed to solve classification and regression problems. Created in the mid-90s by Vladimir Vapnik, SVMs have been applied to a wide range of fields, including bioinformatics, information retrieval, computer vision and finance. Depending on the data, the performance of wideband separators can sometimes be of the same order, or even better, than that of a neural network or Gaussian mixture model.

	==Español==		==Español==

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:58:06Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:58
Ligne 36 :		Ligne 36 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' máquina de vectore de soporte/máquina de vector soporte '''''		''''' máquina de vectore de soporte/máquina de vector soporte '''''

Jean-Sébastien Zavalone le 22 juillet 2025 à 14:39

2025-07-22T14:39:48Z

← Version précédente		Version du 22 juillet 2025 à 10:39
Ligne 34 :		Ligne 34 :

	'''kernel method'''		'''kernel method'''

			==Español==

			''''' máquina de vectore de soporte/máquina de vector soporte '''''

			''La máquina de vectores de soporte o SVM es un algoritmo de aprendizaje supervisado derivado de una generalización de los clasificadores lineales y diseñado para resolver problemas de clasificación y regresión. Fue creado a mediados de los 90 por Vladimir''

			''Vapnik, las SVM se han aplicado a una amplia gama de campos, como la bioinformática, la recuperación de información, la visión por ordenador y las finanzas. Dependiendo de los datos, el rendimiento de los separadores de amplio margen puede ser a veces del mismo orden, o incluso mejor, que el de una red neuronal o un modelo de mezcla gaussiano.''

	==Sources==		==Sources==

Ligne 51 :		Ligne 60 :

	{{Modèle:101}}		{{Modèle:101}}





	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Jean-Sébastien Zavalone : Remplacement de texte : « 
{{Modèle:101}}
 » par « {{Modèle:101}} »

2025-07-21T20:34:18Z

Remplacement de texte : « </small><br> {{Modèle:101}}<br> » par « {{Modèle:101}} »

← Version précédente		Version du 21 juillet 2025 à 16:34
Ligne 50 :		Ligne 50 :
	[[Utilisateur:Patrickdrouin \| Source: Termino]]		[[Utilisateur:Patrickdrouin \| Source: Termino]]

	~~</small><br>~~ {{Modèle:101}}~~<br>~~		{{Modèle:101}}

Arianne le 13 janvier 2025 à 22:30

2025-01-13T22:30:56Z

← Version précédente		Version du 13 janvier 2025 à 18:30
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	Le séparateur à vaste marge (SVM) est un algorithme d''''[[Apprentissage supervisé\|apprentissage supervisé]]''' issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de [[classification]] et de [[régression]].		Le séparateur à vaste marge ou SVM est un '''[[algorithme]]''' d''''[[Apprentissage supervisé\|apprentissage supervisé]]''' issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de '''[[classification]]''' et de '''[[régression]]'''.

	Créés au milieu des années 90 par Vladimir Vapnik, les SVM ont été appliqués à de nombreux domaines: bio-informatique, recherche d'information, [[vision par ordinateur]], finance, etc.		Créés au milieu des années 90 par Vladimir Vapnik, les SVM ont été appliqués à de nombreux domaines: bio-informatique, recherche d'information, '''[[vision par ordinateur]]''', finance, etc.

	Selon les données, la performance des séparateurs à vaste marge peut être parfois du même ordre, ou même supérieure, à celle d'un '''[[Réseau de neurones artificiels\|réseau de neurones]]''' ou d'un modèle de ~~mélanges gaussiens~~.		Selon les '''[[données]]''', la performance des séparateurs à vaste marge peut être parfois du même ordre, ou même supérieure, à celle d'un '''[[Réseau de neurones artificiels\|réseau de neurones]]''' ou d'un '''[[modèle de mélange gaussien]]'''.

	Voir aussi : [[classificateur]]		Voir aussi '''[[classificateur]]'''

	==Compléments==		==Compléments==
Ligne 13 :		Ligne 13 :
	Note: on dit séparateur à « vaste marge » et non séparateur à « vastes marges » car il n'y a qu'une seule marge.		Note: on dit séparateur à « vaste marge » et non séparateur à « vastes marges » car il n'y a qu'une seule marge.
	<hr/>		<hr/>
	Les SVM reposent sur une mesure de similarité calculé avec un noyau (en anglais, kernel). On dira que les SVM font partie des méthodes à noyau. En apprentissage automatique, l''''[[Astuce du noyau\| astuce du noyau]]''' permet d'utiliser un classificateur linéaire pour résoudre un problème non linéaire.		Les SVM reposent sur une mesure de similarité calculé avec un noyau (en anglais, kernel). On dira que les SVM font partie des méthodes à noyau. En apprentissage automatique, l''''[[Astuce du noyau\|astuce du noyau]]''' permet d'utiliser un classificateur linéaire pour résoudre un problème non linéaire.

	==Français==		==Français==

Pitpitt le 5 janvier 2025 à 17:00

2025-01-05T17:00:59Z

← Version précédente		Version du 5 janvier 2025 à 13:00
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	Le séparateur à vaste marge (SVM) est un algorithme d''''[[Apprentissage supervisé\|apprentissage supervisé]]''' issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de classification et de régression.		Le séparateur à vaste marge (SVM) est un algorithme d''''[[Apprentissage supervisé\|apprentissage supervisé]]''' issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de [[classification]] et de [[régression]].

	Créés au milieu des années 90 par Vladimir Vapnik, les SVM ont été appliqués à de nombreux domaines: bio-informatique, recherche d'information, vision par ordinateur, finance, etc.		Créés au milieu des années 90 par Vladimir Vapnik, les SVM ont été appliqués à de nombreux domaines: bio-informatique, recherche d'information, [[vision par ordinateur]], finance, etc.

	Selon les données, la performance des séparateurs à vaste marge peut être parfois du même ordre, ou même supérieure, à celle d'un '''[[Réseau de neurones artificiels\|réseau de neurones]]''' ou d'un modèle de mélanges gaussiens.		Selon les données, la performance des séparateurs à vaste marge peut être parfois du même ordre, ou même supérieure, à celle d'un '''[[Réseau de neurones artificiels\|réseau de neurones]]''' ou d'un modèle de mélanges gaussiens.

			Voir aussi : [[classificateur]]

	==Compléments==		==Compléments==

Pitpitt : Remplacement de texte : « Category:Termino 2019 » par «  »

2024-10-11T13:33:21Z

Remplacement de texte : « Category:Termino 2019 » par «  »

← Version précédente		Version du 11 octobre 2024 à 09:33
Ligne 53 :		Ligne 53 :


	~~[[Category:Termino 2019]]~~
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Pitpitt : Remplacement de texte : « ↵ » par «  ==Sources== »

2024-01-28T18:05:22Z

Remplacement de texte : « ↵<small> » par «  ==Sources== »

← Version précédente		Version du 28 janvier 2024 à 14:05
Ligne 32 :		Ligne 32 :

	'''kernel method'''		'''kernel method'''
	~~<small>~~		==Sources==

	Source: Canu, Stéphane. (2006). ''Apprentissage et noyaux : séparateur à vaste marge (SVM)''. Revue de l'Electricité et de l'Electronique. -. 69. 10.3845/ree.2006.062.		Source: Canu, Stéphane. (2006). ''Apprentissage et noyaux : séparateur à vaste marge (SVM)''. Revue de l'Electricité et de l'Electronique. -. 69. 10.3845/ree.2006.062.

Pitpitt : Remplacement de texte : « 
↵

 » par « {{Modèle:101}} »

2024-01-05T17:59:54Z

Remplacement de texte : « <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html> ↵<br></div><br> » par « {{Modèle:101}} »

← Version précédente		Version du 5 janvier 2024 à 13:59
Ligne 48 :		Ligne 48 :
	[[Utilisateur:Patrickdrouin \| Source: Termino]]		[[Utilisateur:Patrickdrouin \| Source: Termino]]

	</small><br> ~~<div style="border~~:~~2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-~~101~~-mots.png" width="250"></a></html>~~		</small><br> {{Modèle:101}}<br>
	~~<br></div><br>~~<br>

Pitpitt le 25 février 2023 à 23:21

2023-02-25T23:21:18Z

← Version précédente		Version du 25 février 2023 à 19:21
Ligne 56 :		Ligne 56 :
	[[Category:Termino 2019]]		[[Category:Termino 2019]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	~~[[Categorie:PUBLICATION]]~~
	[[Catégorie:101]]		[[Catégorie:101]]

Séparateur à vaste marge - Historique des versions

Pitpitt le 20 avril 2026 à 00:50

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

Jean-Sébastien Zavalone le 22 juillet 2025 à 14:39

Jean-Sébastien Zavalone : Remplacement de texte : « {{Modèle:101}} » par « {{Modèle:101}} »