支持向量機(jī)導(dǎo)論

定　價：￥25.00

作　者：	（英）Nello Cristianini，（英）John Shawe-Taylor著；李國正，王猛，曾華軍譯；李國正譯
出版社：	電子工業(yè)出版社
叢編項(xiàng)：	國外計算機(jī)科學(xué)教材系列
標(biāo)　簽：	算法

購買這本書可以去

ISBN：	9787505393363	出版時間：	2004-04-01	包裝：	膠版紙
開本：	24cm	頁數(shù)：	164	字?jǐn)?shù)：

內(nèi)容簡介

　　支持向量機(jī)（SVM）是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的新一代學(xué)習(xí)算法，該算法在文本分類、手寫識別、圖像分類、生物信息學(xué)等領(lǐng)域中獲得了較好的應(yīng)用。本書是第一本支持向量機(jī)方面的導(dǎo)論型讀物。它從機(jī)器學(xué)習(xí)算法的基本問題開始，循序漸進(jìn)地介紹相關(guān)的背景知識，包括線性分類器、核函數(shù)特征空間、推廣性理論和優(yōu)化理論，從而很自然地引出了支持向量機(jī)的算法。書的末尾還詳細(xì)討論了一系列支持向量機(jī)的重要應(yīng)用以及實(shí)現(xiàn)的技巧。該書提供的大量相關(guān)文獻(xiàn)以及網(wǎng)站鏈接為進(jìn)一步學(xué)習(xí)提供了有效線索，有助于讀者及時跟蹤該領(lǐng)域的最新信息。本書可作為計算機(jī)、自動化、機(jī)電工程、應(yīng)用數(shù)學(xué)等專業(yè)的研究生教材，也可作為神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等課程的參考教材，同時還是相關(guān)領(lǐng)域的教師和研究人員的參考書。20世紀(jì)90年代初期出現(xiàn)的SVM，在理論方面不斷深入，在實(shí)踐中不斷拓廣，目前已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的標(biāo)準(zhǔn)工具。讀者會發(fā)現(xiàn)本書雖具有一定的挑戰(zhàn)性，但很容易理解，而研究者也會很順利地找到掌握這些技術(shù)的理論和應(yīng)用所需要的材料。本書遵循易理解和自包含的原則，循序漸進(jìn)地介紹了SVM的概念，論述既嚴(yán)謹(jǐn)又透徹。書中列出的相關(guān)材料和軟件的網(wǎng)站可以給讀者的進(jìn)一步學(xué)習(xí)提供一個理想的起點(diǎn)。本書可以幫助研究者應(yīng)用這些技術(shù)，而相關(guān)網(wǎng)站可以提供新文獻(xiàn)、新應(yīng)用和不斷更新的在線軟件。

作者簡介

暫缺《支持向量機(jī)導(dǎo)論》作者簡介

圖書目錄

第1章  學(xué)習(xí)方法
    1.1  監(jiān)督學(xué)習(xí)
    1.2  學(xué)習(xí)和泛化性
    1.3  提高泛化性
    1.4  學(xué)習(xí)的價值和缺點(diǎn)
    1.5  用于學(xué)習(xí)的支持向量機(jī)
    1.6  習(xí)題
    1.7  補(bǔ)充讀物和高級主題
第2章  線性學(xué)習(xí)器
    2.1  線性分類
    2.1.1  Rosenblatt感知機(jī)
    2.1.2  其他線性分類器
    2.1.3  多類判別
    2.2  線性回歸-
    2.2.1  最小二乘法
    2.2.2  嶺回歸
    2.3  線性學(xué)習(xí)器的對偶表示
    2.4  習(xí)題
    2.5  補(bǔ)充讀物和高級主題
第3章  核函數(shù)特征空間
    3.1  特征空間中的學(xué)習(xí)
    3.2  到特征空間的隱式映射
    3.3  構(gòu)造核函數(shù)
    3.3.1  核函數(shù)的性質(zhì)
    3.3.2  從核函數(shù)中構(gòu)造核函數(shù)
    3.3.3  從特征中構(gòu)造核函數(shù)
    3.4  特征空間中的計算
    3.5  核與高斯過程
    3.6  習(xí)題
    3.7  補(bǔ)充讀物和高級主題
第4章  泛化性理論
    4.1  可能近似正確學(xué)習(xí)模型
    4.2  VC理論
    4.3  泛化性的間隔界
    4.3.1  最大間隔界
    4.3.2  間隔百分界
    4.3.3  軟間隔界
    4.4  其他泛化界和幸運(yùn)度函數(shù)
    4.5  回歸的泛化性
    4.6  學(xué)習(xí)的貝葉斯分析
    4.7  習(xí)題
    4.8  補(bǔ)充讀物和高級主題
第5章  最優(yōu)化理論
    5.1  問題的形成
    5.2  拉格朗日理論
    5.3  對偶性
    5.4  習(xí)題
    5.5  補(bǔ)充讀物和高級主題
第6章  支持向量機(jī)
    6.1  支持向量分類
    6.1.1  最大間隔分類器
    6.1.2  軟間隔優(yōu)化
    6.1.3  線性規(guī)劃支持向量機(jī)
    6.2  支持向量回歸
    6.2.1  ε不敏感損失回歸
    6.2.2  核嶺回歸
    6.2.3  高斯過程
    6.3  討論
    6.4  習(xí)題
    6.5  補(bǔ)充讀物和高級主題
第7章  實(shí)現(xiàn)技術(shù)
    7.1  通用主題
    7.2  簡單解：梯度上升算法
    7.3  通用技術(shù)和軟件包
    7.4  塊與分解
    7.5  序貫最小優(yōu)化算法
    7.5.1  兩點(diǎn)解析解
    7.5.2  啟發(fā)式選擇算法
    7.6  高斯過程的實(shí)現(xiàn)技術(shù)
    7.7  習(xí)題
    7.8  補(bǔ)充讀物和高級主題
第8章  支持向量機(jī)的應(yīng)用
    8.1  文本分類
    8.1.1  IR核應(yīng)用于信息過濾
    8.2  圖像識別
    8.2.1  視位無關(guān)分類
    8.2.2  基于顏色的分類
    8.3  手寫數(shù)字識別
    8.4  生物信息學(xué)
    8.4.1  蛋白質(zhì)同源檢測
    8.4.2  基因表達(dá)
    8.5  補(bǔ)充讀物和高級主題
附錄A  SMO算法的偽碼
附錄B  背景數(shù)學(xué)
參考書目