Nous proposons un nouvel algorithme d’apprentissage pour des machines de type SVM. Cet algorithme mélange les idées d’optimisation par descente du sous-gradient, des résultats sur l’optimisation de fonctions non partout différentiables, et la méthode des plans sécants. L’algorithme produit est rapide et se compare bien aux algorithmes les plus récents et les plus rapides. Nous montrons que la convergence à une précision requiert de l’ordre de O(1/λ ) itérations et proposons une variante encore plus efficace de notre algorithme exploitant une technique de shrinking exact dans le primal.