Référentiel B — capacité IA
SVM
Architecture
Algorithme de classification (ou régression) cherchant l'hyperplan séparateur qui maximise la marge entre les classes, avec extension non linéaire via des fonctions noyau (kernel trick)
Capacités clés
- Classification efficace y compris en haute dimension et avec un nombre limité d'exemples d'entraînement
- Extension à des frontières de décision non linéaires grâce à l'astuce du noyau
- Bonnes performances théoriques garanties par la théorie de l'apprentissage statistique (marge maximale)
Usages documentés par secteur
ScienceTRL non déterminableDiffusion établie
Classification de données à haute dimension issues de mesures scientifiques
- Domaines d'application nommés par la source : bio-informatique, recherche d'information, vision par ordinateur, finance
Sources de cet usage
- 1.Machine à vecteurs de support — Wikipédiasecondaire
IndustrieTRL non déterminableDiffusion établie
Classification de texte et de documents dans des applications de traitement automatique de la langue plus anciennes
Sources de cet usage
- 1.Machine à vecteurs de support — Wikipédiasecondaire
Limites connues
La source relève l'impossibilité de traiter des données non linéairement séparables sans passer par les fonctions noyau, la sensibilité au mauvais étiquetage, et les problèmes de normalisation et de déséquilibre des méthodes multiclasses « un contre tous ». Le coût de calcul sur de très grands volumes, la sensibilité au choix des hyperparamètres et le remplacement par l'apprentissage profond, souvent avancés, ne sont attestés par aucune source de la fiche.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.Machine à vecteurs de support — Wikipédiasecondaire
Analyses de gap citant cette fiche
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
Données brutes de cette fiche : /api/fiches/svm — voir la méthodologie.