Support vector machines

این کتاب اصولی را توضیح می‌دهد که ماشین‌های بردار پشتیبان (SVM) را به یک ابزار مدل‌سازی و پیش‌بینی موفق برای کاربردهای مختلف تبدیل می‌کند. نویسندگان ایده های اساسی SVM ها را همراه با آخرین پیشرفت ها و سؤالات پژوهشی جاری به شیوه ای یکپارچه ارائه می کنند. آنها سه دلیل برای موفقیت SVM ها را شناسایی می کنند: توانایی آنها در یادگیری خوب تنها با تعداد بسیار کمی از پارامترهای آزاد، استحکام آنها در برابر چندین نوع نقض مدل و موارد پرت، و کارایی محاسباتی آنها در مقایسه با چندین روش دیگر.

از زمان ظهور خود در اوایل دهه نود، ماشین‌های بردار پشتیبان و روش‌های مبتنی بر هسته مرتبط با موفقیت در زمینه‌های مختلف کاربردی مانند بیوانفورماتیک، کشف تقلب، ساخت تعرفه‌های بیمه، بازاریابی مستقیم و داده‌ها استفاده شده‌اند. و متن کاوی در نتیجه، SVM ها اکنون نقش مهمی در یادگیری ماشین آماری ایفا می کنند و نه تنها توسط آماردانان، ریاضیدانان و دانشمندان کامپیوتر، بلکه توسط مهندسان و تحلیلگران داده نیز مورد استفاده قرار می گیرند.

این کتاب اطلاعات منحصر به فردی را ارائه می دهد. پرداختن به عمق مطالب اساسی و اخیر در SVMها که تاکنون در ادبیات پراکنده شده است. بنابراین این کتاب می تواند هم به عنوان پایه ای برای دوره های تحصیلات تکمیلی و هم به عنوان مقدمه ای برای آماردانان، ریاضیدانان و دانشمندان کامپیوتر باشد. این کتاب همچنین مرجع ارزشمندی برای محققانی که در این زمینه کار می‌کنند فراهم می‌کند.

این کتاب تمام موضوعات مهم مربوط به ماشین‌های بردار پشتیبان مانند: توابع ضرر و نقش آنها در فرآیند یادگیری را پوشش می‌دهد. بازتولید کرنل فضاهای هیلبرت و خواص آنها. یک تجزیه و تحلیل آماری کامل که از مرزهای یکنواخت سنتی و تکنیک‌های محلی پیشرفته‌تر مبتنی بر میانگین‌های رادماچر و نابرابری تالاگراند استفاده می‌کند. درمان دقیق طبقه بندی و رگرسیون؛ تجزیه و تحلیل دقیق استحکام؛ و شرح برخی از جدیدترین تکنیک های پیاده سازی. برای اینکه کتاب مستقل باشد، یک ضمیمه گسترده اضافه شده است که پیشینه لازم را از آمار، نظریه احتمال، تجزیه و تحلیل تابعی، تحلیل محدب و توپولوژی در اختیار خواننده قرار می دهد.

اینگو استاینوارت محققی در این زمینه است. گروه یادگیری ماشین در آزمایشگاه ملی لوس آلاموس. او روی ماشین‌های بردار پشتیبان و روش‌های مرتبط کار می‌کند.

Andreas Christmann استاد استوکاستیک در گروه ریاضیات در دانشگاه بایروث است. او به ویژه روی ماشین‌های بردار پشتیبانی و آمارهای قوی کار می‌کند.

This book explains the principles that make support vector machines (SVMs) a successful modelling and prediction tool for a variety of applications. The authors present the basic ideas of SVMs together with the latest developments and current research questions in a unified style. They identify three reasons for the success of SVMs: their ability to learn well with only a very small number of free parameters, their robustness against several types of model violations and outliers, and their computational efficiency compared to several other methods.

Since their appearance in the early nineties, support vector machines and related kernel-based methods have been successfully applied in diverse fields of application such as bioinformatics, fraud detection, construction of insurance tariffs, direct marketing, and data and text mining. As a consequence, SVMs now play an important role in statistical machine learning and are used not only by statisticians, mathematicians, and computer scientists, but also by engineers and data analysts.

The book provides a unique in-depth treatment of both fundamental and recent material on SVMs that so far has been scattered in the literature. The book can thus serve as both a basis for graduate courses and an introduction for statisticians, mathematicians, and computer scientists. It further provides a valuable reference for researchers working in the field.

The book covers all important topics concerning support vector machines such as: loss functions and their role in the learning process; reproducing kernel Hilbert spaces and their properties; a thorough statistical analysis that uses both traditional uniform bounds and more advanced localized techniques based on Rademacher averages and Talagrand's inequality; a detailed treatment of classification and regression; a detailed robustness analysis; and a description of some of the most recent implementation techniques. To make the book self-contained, an extensive appendix is added which provides the reader with the necessary background from statistics, probability theory, functional analysis, convex analysis, and topology.

Ingo Steinwart is a researcher in the machine learning group at the Los Alamos National Laboratory. He works on support vector machines and related methods.

Andreas Christmann is Professor of Stochastics in the Department of Mathematics at the University of Bayreuth. He works in particular on support vector machines and robust statistics.