Optimisation et Support Vector Machines (SVM)
Ce dépôt regroupe plusieurs notebooks Jupyter et un PDF sur l'optimisation et les Support Vector Machines (SVM).
Contenu du dépôt
SOSSOU_Didi_Orlog_Examen_SVM.ipynb
Examen appliqué sur les Support Vector Machines, utilisant le jeu de données Iris pour illustrer :
- L'apprentissage supervisé avec les SVM
- L'implémentation en Python avec scikit-learn
- La visualisation des résultats et des frontières de décision
SOSSOU_Didi_Orlog_Opti_Avec_Contraintes.ipynb
Notebook illustrant la résolution de problèmes d'optimisation avec contraintes, couvrant :
- La formulation mathématique des problèmes contraints
- Les méthodes de résolution numérique
- La visualisation graphique des solutions
- Les conditions de Karush-Kuhn-Tucker (KKT)
SOSSOU_Didi_Orlog_Opti_Sans_Contraintes.ipynb
Notebook présentant l'optimisation sans contraintes, avec :
- Étude de la fonction de Rosenbrock
- Méthodes de descente de gradient
- Méthodes de Newton et quasi-Newton
- Visualisation des trajectoires d'optimisation
Prérequis
Pour exécuter les notebooks, vous aurez besoin des bibliothèques Python suivantes :
numpy
matplotlib
scikit-learn
pandas
scipy
sympy
Auteur : SOSSOU Didi Orlog
Formation : Master IA Big Data
Contexte : Projets académiques