A comprehensive introduction to Support Vector Machines and related kernel methods.In the 1990s, a new type of learning algorithm was developed, based on results from statistical learning theory: the Support Vector Machine (SVM). This gave rise to a new class of theoretically elegant learning machines that use a central concept of SVMs―-kernels―for a number of learning tasks. Kernel machines provide a modular framework that can be adapted to different tasks and domains by the choice of the kernel function and the base algorithm. They are replacing neural networks in a variety of fields, including engineering, information retrieval, and bioinformatics.Learning with Kernels provides an introduction to SVMs and related kernel methods. Although the book begins with the basics, it also includes the latest research. It provides all of the concepts necessary to enable a reader equipped with some basic mathematical knowledge to enter the world of machine learning using theoretically well-founded yet easy-to-use kernel algorithms and to understand and apply the powerful algorithms that have been developed over the last few years.
ترجمه فارسی (ترجمه ماشینی)
مقدمه ای جامع بر ماشین های بردار پشتیبان و روش های هسته مرتبط. در دهه 1990، نوع جدیدی از الگوریتم یادگیری بر اساس نتایج تئوری یادگیری آماری توسعه یافت: ماشین بردار پشتیبان (SVM). این باعث ایجاد کلاس جدیدی از ماشینهای یادگیری از لحاظ نظری ظریف شد که از مفهوم اصلی SVMs – هستهها – برای تعدادی از وظایف یادگیری استفاده میکنند. ماشینهای هسته یک چارچوب مدولار ارائه میکنند که میتواند با انتخاب تابع هسته و الگوریتم پایه برای وظایف و حوزههای مختلف تطبیق داده شود. آنها در حال جایگزینی شبکه های عصبی در زمینه های مختلف از جمله مهندسی، بازیابی اطلاعات و بیوانفورماتیک هستند. یادگیری با هسته ها مقدمه ای بر SVM ها و روش های هسته مرتبط است. اگرچه کتاب با اصول اولیه شروع می شود، اما شامل آخرین تحقیقات نیز می شود. تمام مفاهیم لازم برای قادر ساختن خواننده مجهز به دانش پایه ریاضی برای ورود به دنیای یادگیری ماشین با استفاده از الگوریتمهای هسته که از لحاظ نظری کاملاً پایهگذاری شده و در عین حال آسان برای استفاده هستند و درک و استفاده از الگوریتمهای قدرتمندی که بیش از این توسعه یافتهاند را فراهم میکند. چند سال گذشته
نقد و بررسیها
هنوز بررسیای ثبت نشده است.