Optimisation non linéaire et application
| dc.contributor.author | Ouali, Nassim | |
| dc.date.accessioned | 2019-05-16T09:55:26Z | |
| dc.date.available | 2019-05-16T09:55:26Z | |
| dc.date.issued | 2018 | |
| dc.description | 38 f. : ill. ; 30 cm + ( CD-Rom ) | en |
| dc.description.abstract | L'optimisation est un outil important en sciences appliquées et pour l'analyse des systèmes physiques. Elle cherche `a améliorer une performance en se rapprochant d'un point optimal une fois qu'on a bien identifier l'objectif qui peut être le profit, le temps, l'énergie potentielle ou n'importe quelle quantité ou combinaison de qualité. Notre but est de trouver les valeurs des variables qui optimisent l'objectif. Support Vecteur Machines (SVM) est une méthode de classification des données qui les sépare à l'aide d'hyperplans. Cette méthode est une technique puissante et particulièrement utile pour les données dont la distribution est inconnue. Les SVMs reposent sur deux idées clés : la notion de marge maximale et la notion de fonction noyau. Ces deux notions existaient depuis plusieurs années avant qu'elles ne soient mises en commun pour construire les SVMs. | en |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/2528 | |
| dc.language.iso | fr | en |
| dc.publisher | UMMTO | en |
| dc.subject | Noyaux | en |
| dc.subject | Optimisation non linéaire | en |
| dc.subject | Optimisation sans contraintes | en |
| dc.title | Optimisation non linéaire et application | en |
| dc.type | Thesis | en |