6 Commits c62438ea3f ... b33a7b6556

Author SHA1 Message Date
  Marc Beninca b33a7b6556 todo 3 months ago
  Marc Beninca d97b34b2c1 kw 3 months ago
  Marc Beninca 81afa8626b summary 3 months ago
  Marc Beninca 1b5d2e25c7 résumé 3 months ago
  Marc Beninca 9cb32ed0f1 bousculer 3 months ago
  Marc Beninca 1942f94366 conclusion 3 months ago

+ 13 - 0
cnam/travaux/probatoire/document.bib

@@ -124,3 +124,16 @@ title  = "Learning SVMs From Examples",
 year   = "2017",
 url    = "https://www.kdnuggets.com/2017/08/support-vector-machines-learning-svms-examples.html/2",
 }
+
+@misc{lib-svm,
+author = "Chih-Chung Chang and Chih-Jen Lin",
+title  = "LIBSVM",
+year   = "2019",
+url    = "https://www.csie.ntu.edu.tw/~cjlin/libsvm",
+}
+@misc{lib-svm-light,
+author = "Thorsten Joachims",
+title  = "SVMlight",
+year   = "2008",
+url    = "http://www.cs.cornell.edu/people/tj/svm_light",
+}

+ 18 - 4
cnam/travaux/probatoire/document/back.tex

@@ -13,17 +13,31 @@
 
 \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.
 
-\textbf{Mots clés : .}
+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: .}
+\textbf{Key words: svm, kernel, linear, regression,\\
+classification, machine, learning, datasets.}
 
 \thispagestyle{empty}
 

+ 12 - 6
cnam/travaux/probatoire/document/conclusion.tex

@@ -1,12 +1,18 @@
 \section{Conclusion}
 
-Nombreux outils logiciels implémentant les \gls{svm},
-(libSVM, SVM-Light, SVMTorch) disponibles pour différents langages.
+Les \gls{svm} sont incontournables dans le domaine du \gls{ml},
+tant par leur polyvalence que leur flexibilité.
+Le nombre de pré-traitements, techniques, algorithmes et méthodes
+mathématiques impliqués en font un outil redoutablement efficace
+pour la régression et la classification de données.
 
-Nativement bons linéairement, noyau permet apprentissage non-linéaire.
+De très nombreux langages de programmation permettent aujourd’hui de
+s’interfacer avec des librairies implémentant déjà nombre de ces concepts
+(par exemple libSVM \cite{lib-svm} ou encore SVM-Light \cite{lib-svm-light}).
 
-Noyau élément clé, \gls{kf} pas facile à choisir.
-
-Il faut savoir rester patient pour les temps d’entraînement.
+Même si certains éléments clés comme le \gls{kt} et les \glspl{kf}
+sont bien ancrés, ce domaine est toujours un champ de recherche en
+constante activité. Au fil du temps, de nouvelles techniques et optimisations
+ont vu le jour, et d’autres viendront encore en bousculer les modèles…
 
 \pagebreak

+ 3 - 6
cnam/travaux/probatoire/todo

@@ -1,6 +1,3 @@
-listoffigures
-conclusion
-résumé
-mots-clés
-vérifier formatage de bibliographie
-annexes ?
+? where listoffigures
+? tri de bibliographie
+? formatage de bibliographie