支持向量机导论：英文版

定　价：¥29.00

作　者：	（美）Nello Cristianini，（英）John Shawe-Taylor著
出版社：	机械工业出版社
丛编项：	经典原版书库
标　签：	数据库存储与管理

购买这本书可以去

ISBN：	9787111167891	出版时间：	2005-07-01	包装：	胶版纸
开本：	24cm	页数：	189	字数：

内容简介

　　“本书对机器学习和数据挖掘的最重要发展领域进行了全面的介绍。书中清晰的条理、富于逻辑性的推演以及优美的文字，备受初学者和专家的赞许。在线参考文献与软件是本书独一无二的和适应时代的新颖特点。我竭诚地向读者推荐此书。”——Olvi Mangasarian，威斯康星大学。“本书介绍支持向量机的理论与实践，是一本优秀的和引人入胜的著作。书中阐明了专业人员所面临的种种关键问题及其解决方案，书后包含一个非常有用的附录，是用伪代码编写的优化算法。”——David Haussler，加利福尼亚大学。“本书展现了一个主要由Vladimir Vapnik 创立的统计学习理论的全新领域，它以正则化技术的研究成果为基础，在数学方法和应用技术两个方面都可能成为一座真正的科学金矿。在这一领域中形成并在日益增多的重大应用中得到使用的主要算法是与正则化类似的支持向量机技术。这本简明扼要的著作对支持向量机及其理论基础进行了严密而自含的介绍。这是值得数学家和工程师一读的读物。”——Tomaso Poggio，麻省理工学院。支持向量机（Support Vector Machine， SVM）是建立在统计学理论最新进展基础上的新一代学习系统。本书是第一本全面介绍支持向量机的著作。支持向量机是在20世纪90年代初提出的，随之引发了对这种技术的广泛应用和深入理论分析。至今在若干实际应用（如文本编目、手写字符识别、图像分类和生物进化链分析等）中，支持向机量足以提供最佳的学习性能，而且在机器学习与数据挖掘中已被确立为一种标准工具。学生将会发现本书不仅对他们具有激励作用，同时也很容易理解；对于专业人员而言，本书可以引导他们轻松自如地获得为掌握理论及其应用所需的材料。本书以循序渐进的、自含的、易于接受的方式引入各种概念，而且论述严谨透彻。本书所提供的参考文献和可以下载软件的网站将会成为读者进一步学习的起点。同样，本书及相关网站将引导专业人员了解最新的文献、新应用和在线软件。

作者简介

　　Nello Cristianini 先后在意大利的里雅斯特大学、英国伦敦大学皇家豪勒威学院、英国布里斯投大学、美国加州大学圣克鲁兹分校学习。他是支持向量机与其他学习系统的理论与应用方面卓有成就的年青研究人员，在各种杂志和国际学术会议上发表了许多有关这一领域的论文。John Shawe-Taylor　先后在英国剑桥大学、位于斯洛文尼亚的卢布尔雅那大学、加拿大西蒙·弗雷泽大学、英国伦敦大学帝国学院、英国伦敦大学皇家豪勒威学院学习。他发表了许多有关学习系统以及离散数学和计算机科学等领域的论文。他是英国伦敦大学皇家勒威学院计算科学系教授，同时还是由16年大学共同成立的欧洲合作基金的协调者，该基金是为了研究神经学习和计算学习。

图书目录

Preface
Notation
1 The Learning Methodology
1.1 Supervised Learning
1.2 Learning and Generalisation
1.3 Improving Generalisation
1.4 Attractions and Drawbacks of Learning
1.5 Support Vector Machines for Learning
1.6 Exercises
1.7 ,,Further Reading and Advanced Topic
Linear Learning Machines
2.1 Linear Classification
2.1.1 Rosenblatt's Perceptron
2.1.2 Other Linear Classifiers
2.1.3 Multi-class Discrimination
2.2 Linear Regression
2.2.1 Least Squares
2.2.2 Ridge Regression
2.3 Dual Representation of Linear Machines
2.4 Exercises
2.5 Further Reading and Advanced Topics
3 Kernel-lnduced Feature Spaces
3.1 Learning in Feature Space
3.2 The Implicit Mapping into Feature Space
3.3 Making Kernels
3.3.1 Characterisation of Kernels
3.3.2 Making Kernels from Kernels
3.3.3 Making Kernels from Features
3.4 Working in Feature Space
3.5 Kernels and Gaussian Processes
3.6 Exercises
3.7 Further Reading and Advanced Topics
4 Generalisation Theory
4.1 Probably Approximately Correct Learning
4.2 Vapnik Chervonenkis (VC) Theory
4.3 Margin-Based Bounds on Generalisation
4.3.1 Maximal Margin Bounds
4.3.2 Margin Percentile Bounds
4.3.3 Soft Margin Bounds
4.4 Other Bounds on Generalisation and Luckiness
4.5 Generalisation for Regression
4.6 Bayesian Analysis of Learning
4.7 Exercises
4.8 Further Reading and Advanced Topics
Optimisation Theory
5.1 Problem Formulation
5.2 Lagrangian Theory
5.3 Duality. ~
5.4 Exercises
5.5 Further Reading and Advanced Topics
Support Vector Machines
6.1 Support Vector Classification
6.1.1 The Maximal Margin Classifier
6.1.2 Soft Margin Optimisation
6.1.3 Linear Programming Support Vector Machines
6.2 Support Vector Regression
6.2.1 e-Insensitive Loss Regression
6.2.2 Kernel Ridge Regression
6.2.3 Gaussian Processes
6.3 Discussion
6.4 Exercises
6.5 Further Reading and Advanced Topics
7 Implementation Techniques
7.1 General Issues
7.2 The Naive Solution: Gradient Ascent
7.3 General Techniques and Packages
7.4 Chunking and Decomposition
7.5 Sequential Minimal Optimisation (SMO)
7.5.1 Analytical Solution for Two Points
7.5.2 Selection Heuristics
7.6 Techniques for Gaussian Processes
7.7 Exercises
7.8 Further Reading and Advanced Topics
8 Appfications of Support Vector Machines
8.1 Text Categorisation
8.1.1 A Kernel from IR Applied to Information Filtering
8.2 Image Recognition
8.2.1 Aspect Independent Classification
8.2.2 Colour-Based Classification
8.3 Hand-written Digit Recognition
8.4 Bioinformatics
8.4.1 Protein Homology Detection
8.4.2 Gene Expression
8.5 Further Reading and Advanced Topics
A Pseudocode for the SMO Algorithm
B Background Mathematics
B.1 Vector Spaces
B.2 Inner Product Spaces
B.3 Hilbert Spaces
B.4 Operators, Eigenvalues and Eigenvectors
References
lndex