Application des SVM pour la reconnaissance des chiffres manuscrits

Cet ouvrage aborde l'utilisation des Machines à Vecteurs de Support (ou Support Vector Machines: SVM)pour la reconnaissance des chiffres manuscrits. Un rappel sur la théorie de l'apprentissage statistique est présenté pour comprendre le fonctionnement du SVM. Plusieurs implémentations hybrides du SVM, sont présentées pour améliorer les précisions de reconnaissance et accélérer la phase d'apprentissage. Une mixture de plusieurs SVM par l'intégrale floue et une approche de combinaison Neuro-SVM sont proposées pour améliorer à la fois la reconnaissance en binaire et en multi-classe des chiffres manuscrits.

Autorentext

Hassiba Nemmour est titulaire d'un magister en électronique des systèmes obtenu en 2003, et un doctorat en traitement d'images obtenu en 2010, à l'université des sciences et de la technologie Houari Boumediene (USTHB), Alger. Actuellement, elle occupe le poste de maître de conférences à la même université

Klappentext

Cet ouvrage aborde l'utilisation des Machines à Vecteurs de Support (ou Support Vector Machines: SVM)pour la reconnaissance des chiffres manuscrits. Un rappel sur la théorie de l'apprentissage statistique est présenté pour comprendre le fonctionnement du SVM. Plusieurs implémentations hybrides du SVM, sont présentées pour améliorer les précisions de reconnaissance et accélérer la phase d'apprentissage. Une mixture de plusieurs SVM par l'intégrale floue et une approche de combinaison Neuro-SVM sont proposées pour améliorer à la fois la reconnaissance en binaire et en multi-classe des chiffres manuscrits.