支持向量机导论

　　支持向量机（SVM）是在统计学习理论的基础上发展起来的新一代学习算法，该算法在文本分类、手写识别、图像分类、生物信息学等领域中获得了较好的应用。本书是第一本支持向量机方面的导论型读物。它从机器学习算法的基本问题开始，循序渐进地介绍相关的背景知识，包括线性分类器、核函数特征空间、推广性理论和优化理论，从而很自然地引出了支持向量机的算法。书的末尾还详细讨论了一系列支持向量机的重要应用以及实现的技巧。该书提供的大量相关文献以及网站链接为进一步学习提供了有效线索，有助于读者及时跟踪该领域的最新信息。本书可作为计算机、自动化、机电工程、应用数学等专业的研究生教材，也可作为神经网络、机器学习、数据挖掘等课程的参考教材，同时还是相关领域的教师和研究人员的参考书。20世纪90年代初期出现的SVM，在理论方面不断深入，在实践中不断拓广，目前已成为机器学习和数据挖掘领域的标准工具。读者会发现本书虽具有一定的挑战性，但很容易理解，而研究者也会很顺利地找到掌握这些技术的理论和应用所需要的材料。本书遵循易理解和自包含的原则，循序渐进地介绍了SVM的概念，论述既严谨又透彻。书中列出的相关材料和软件的网站可以给读者的进一步学习提供一个理想的起点。本书可以帮助研究者应用这些技术，而相关网站可以提供新文献、新应用和不断更新的在线软件。

暂缺《支持向量机导论》作者简介

第1章  学习方法
    1.1  监督学习
    1.2  学习和泛化性
    1.3  提高泛化性
    1.4  学习的价值和缺点
    1.5  用于学习的支持向量机
    1.6  习题
    1.7  补充读物和高级主题
第2章  线性学习器
    2.1  线性分类
    2.1.1  Rosenblatt感知机
    2.1.2  其他线性分类器
    2.1.3  多类判别
    2.2  线性回归-
    2.2.1  最小二乘法
    2.2.2  岭回归
    2.3  线性学习器的对偶表示
    2.4  习题
    2.5  补充读物和高级主题
第3章  核函数特征空间
    3.1  特征空间中的学习
    3.2  到特征空间的隐式映射
    3.3  构造核函数
    3.3.1  核函数的性质
    3.3.2  从核函数中构造核函数
    3.3.3  从特征中构造核函数
    3.4  特征空间中的计算
    3.5  核与高斯过程
    3.6  习题
    3.7  补充读物和高级主题
第4章  泛化性理论
    4.1  可能近似正确学习模型
    4.2  VC理论
    4.3  泛化性的间隔界
    4.3.1  最大间隔界
    4.3.2  间隔百分界
    4.3.3  软间隔界
    4.4  其他泛化界和幸运度函数
    4.5  回归的泛化性
    4.6  学习的贝叶斯分析
    4.7  习题
    4.8  补充读物和高级主题
第5章  最优化理论
    5.1  问题的形成
    5.2  拉格朗日理论
    5.3  对偶性
    5.4  习题
    5.5  补充读物和高级主题
第6章  支持向量机
    6.1  支持向量分类
    6.1.1  最大间隔分类器
    6.1.2  软间隔优化
    6.1.3  线性规划支持向量机
    6.2  支持向量回归
    6.2.1  ε不敏感损失回归
    6.2.2  核岭回归
    6.2.3  高斯过程
    6.3  讨论
    6.4  习题
    6.5  补充读物和高级主题
第7章  实现技术
    7.1  通用主题
    7.2  简单解：梯度上升算法
    7.3  通用技术和软件包
    7.4  块与分解
    7.5  序贯最小优化算法
    7.5.1  两点解析解
    7.5.2  启发式选择算法
    7.6  高斯过程的实现技术
    7.7  习题
    7.8  补充读物和高级主题
第8章  支持向量机的应用
    8.1  文本分类
    8.1.1  IR核应用于信息过滤
    8.2  图像识别
    8.2.1  视位无关分类
    8.2.2  基于颜色的分类
    8.3  手写数字识别
    8.4  生物信息学
    8.4.1  蛋白质同源检测
    8.4.2  基因表达
    8.5  补充读物和高级主题
附录A  SMO算法的伪码
附录B  背景数学
参考书目