Support Vector Machines - 9780387772417

Iga matemaatiline distsipliin läbib kolm arenguperioodi: naiivne, formaalne ja kriitiline. David Hilbert Selle raamatu eesmärk on selgitada põhimõtteid, mis muutsid tugivektori masinad (SVM) edukaks modelleerimis- ja ennustamistööriistaks mitmesuguste rakenduste jaoks. Püüame seda saavutada, esitades ühtses stiilis SVM-ide põhiideed koos viimaste arengute ja aktuaalsete uurimisküsimustega. Lühidalt, me tuvastame vähemalt kolm SVM-ide edu põhjust: nende võime õppida hästi ainult väga väikese arvu vabade parameetritega, nende vastupidavus mitut tüüpi mudeli rikkumistele ja kõrvalekalletele ning lõpuks, kuid mitte vähem tähtsaks nende arvutuslik e. ?teadus võrreldes mitmete teiste meetoditega. Kuigi SVM-idel on mitu juurt ja eelkäijat, said need meetodid eriti hoogu viimase 15 aasta jooksul pärast seda, kui Vapnik (1995, 1998) avaldas oma tuntud statistilise õppimisteooria õpikud, pöörates erilist tähelepanu vektormasinatele. Sellest ajast alates on masinõppe valdkond SVM-ide uurimisel olnud intensiivne aktiivsus, mis on levinud rohkem ja rohkem teisi erialasid, nagu statistika ja matemaatika. Seega tundub aus öelda, et mitmed kogukonnad töötavad praegu tugivektori masinate ja nendega seotud tuumapõhiste meetodite kallal. Kuigi nende kogukondade vahel on palju koostoimeid, arvame, et veel on ruumi täiendavaks viljakaks koostoimeks ja oleks hea meel, et see õpik oleks kasulik edasiste uurimistööde stimuleerimisel. Paljud selles raamatus esitatud tulemused on varem ajakirjanduses laiali puistatud või on veel läbivaatamisel. Selle tulemusena on need tulemused olnud kättesaadavad suhteliselt väikesele arvule spetsialistidele, mõnikord tõenäoliselt ainult ühe kogukonna inimestele, kuid mitte teistele.