Обучение с ядрами

Learning with Kernels
Bernhard Schölkopf, Alexander J. Smola
2001-12-07

Метод опорных векторовядерная функцияядерные методытеория статистического обучения
Всеобъемлющее введение в метод опорных векторов и связанные с ним ядровые методы. В 1990‑х годах на основе результатов теории статистического обучения был разработан новый тип алгоритма обучения: метод опорных векторов (Support Vector Machine, SVM). Это привело к появлению нового класса теоретически изящных обучающих машин, использующих центральную концепцию SVM — ядра — для ряда задач обучения. Ядровые машины обеспечивают модульную структуру, которую можно адаптировать к различным задачам и областям посредством выбора функции ядра и базового алгоритма. Они вытесняют нейронные сети в ряде областей, включая инженерное дело, информационно-поисковые системы и биоинформатику. «Обучение с ядрами» представляет введение в SVM и связанные ядровые методы. Хотя книга начинается с основ, в ней также рассматриваются последние исследования. Она содержит все необходимые концепции, чтобы читатель с базовыми математическими знаниями мог войти в мир машинного обучения, используя теоретически обоснованные и в то же время простые в применении ядровые алгоритмы, а также понять и применить мощные алгоритмы, разработанные за последние несколько лет.
1
Кернельные методы замещают нейронные сети в ряде областей, включая инженерное дело, информационный поиск и биоинформатику.
2
Кернелы обеспечивают центральную, модульную концепцию, позволяющую адаптировать алгоритмы к разным задачам и доменам выбором функции ядра и базового алгоритма.
3
Методы опорных векторов (SVM) и кернельные методы образуют теоретически элегантный класс алгоритмов обучения, основанный на теории статистического обучения.
4
Работа содержит и базовое введение, и обзор последних исследований, позволяя читателям с базовыми математическими знаниями применять теоретически обоснованные кернельные алгоритмы.

Машины опорных векторов и связанные с ними методы ядрового обучения (ядровые машины)

Теоретические основы, алгоритмы обучения и практическое применение/адаптация ядрового обучения (ядра) для различных задач через выбор функции ядра и базового алгоритма

Publication Details
Publication Date
2001-12-07
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Bernhard Schölkopf
Alexander J. Smola
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%