Dans le domaine en constante évolution de la robotique, l'application de techniques avancées d'apprentissage automatique est essentielle. « Support Vector Machine », qui fait partie de la série Robotics Science, explore le rôle des machines à vecteurs de support (SVM) dans la révolution des systèmes robotiques. Écrit par Fouad Sabry, ce livre offre un aperçu complet, des concepts fondamentaux aux techniques avancées, essentielles pour quiconque souhaite exploiter les SVM pour la robotique et l'automatisation.
Machine à vecteurs de support-Introduction aux SVM, soulignant leur importance dans les tâches de classification et de régression en robotique.
Classificateur linéaire-Explique les bases des classificateurs linéaires, fondamentales pour comprendre la fonctionnalité des SVM.
Perceptron-Discute de l'algorithme du perceptron, un précurseur des SVM, utile dans les problèmes de classification binaire.
Projection (algèbre linéaire)-Se concentre sur le concept géométrique de projection, crucial pour comprendre le principe de fonctionnement des SVM.
Séparabilité linéaire-explore le concept de séparabilité linéaire, la base de l'utilisation de SVM dans des ensembles de données linéairement séparables.
Méthode du noyau-introduit l'astuce du noyau, permettant aux SVM de fonctionner dans des espaces de dimension supérieure pour une classification non linéaire.
Machine à vecteurs de pertinence-examine les machines à vecteurs de pertinence, une variante des SVM avec moins de vecteurs de support pour un calcul efficace.
Apprentissage automatique en ligne-examine comment les méthodes d'apprentissage en ligne peuvent être appliquées aux SVM pour une adaptation en temps réel en robotique.
Optimisation minimale séquentielle-couvre la méthode d'optimisation utilisée pour entraîner efficacement les SVM, un concept de base pour les applications robotiques.
Machine à vecteurs de support des moindres carrés-discute de cette formulation SVM alternative pour gérer les problèmes de régression dans les systèmes robotiques.
Noyau de chaîne-explore le noyau de chaîne, qui permet aux SVM de gérer des données séquentielles, telles que les entrées de capteurs de robot.
Perte de charnière-explore la perte de charnière, la fonction utilisée dans SVM pour assurer une classification à marge maximale.
Classement SVM-examine le classement SVM, particulièrement utile en robotique pour les tâches de prise de décision et de priorisation.
Perspectives de régularisation sur les machines à vecteurs de support-explore le rôle de la régularisation dans le contrôle du surajustement, essentiel pour la construction de systèmes robotiques fiables.
Interprétation bayésienne de la régularisation du noyau-offre une perspective bayésienne, reliant la modélisation probabiliste à la régularisation du noyau SVM pour des modèles robotiques plus précis.
Noyau polynomial-discute du noyau polynomial, permettant à SVM de modéliser des limites de décision non linéaires dans les tâches robotiques.
Noyau de fonction de base radiale-couvre le noyau de fonction de base radiale, un outil puissant pour gérer des modèles de données complexes dans les systèmes robotiques.
Perceptron à noyau-examine la méthode du perceptron à noyau, en développant les SVM pour des tâches robotiques plus avancées.
Mise à l'échelle de Platt-présente la mise à l'échelle de Platt, une technique utilisée pour convertir les sorties SVM en prédictions probabilistes en robotique.
Régularisation des variétés-se concentre sur la régularisation des variétés, aidant à généraliser les modèles SVM aux données de grande dimension, souvent rencontrées en robotique.
Supervision faible-se termine par des techniques de supervision faible, essentielles pour améliorer les modèles SVM dans des situations avec des données étiquetées limitées.
