مشخصات کتاب

Support vector machines : optimization based theory, algorithms, and extensions

ویرایش:  
نویسندگان: Naiyang Deng,  Yingjie Tian,  Chunhua Zhang  
سری: Chapman & Hall/CRC data mining and knowledge discovery series 
ISBN (شابک) : 9781439857922, 143985792X 
ناشر: CRC Press Taylor & Francis Group 
سال نشر:  
تعداد صفحات: 345 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

در صورت تبدیل فایل کتاب Support vector machines : optimization based theory, algorithms, and extensions به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب ماشین های بردار پشتیبانی: تئوری مبتنی بر بهینه سازی، الگوریتم ها، و پسوند ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب ماشین های بردار پشتیبانی: تئوری مبتنی بر بهینه سازی، الگوریتم ها، و پسوند ها

ماشین‌های بردار پشتیبان مقدمه (SVM) که توسط Vapnik در اوایل دهه 1990 معرفی شدند، تکنیک‌های موثر و امیدوارکننده‌ای برای داده‌کاوی هستند. SVM ها اخیراً در مطالعات نظری و پیاده سازی الگوریتم ها پیشرفت هایی از قبل داشته اند. آنها با موفقیت در بسیاری از زمینه ها مانند دسته بندی متن، تشخیص گفتار، تجزیه و تحلیل تصویر سنجش از راه دور، سری های زمانی پیش بینی، امنیت اطلاعات و غیره استفاده شده اند. ریشه در تئوری یادگیری آماری (SLT) و روش‌های بهینه‌سازی، تبدیل به ابزاری قدرتمند برای حل مشکلات یادگیری ماشین با نقاط آموزشی محدود و غلبه بر برخی مشکلات سنتی مانند "نفرین ابعاد"، "بیش از حد برازش" شده است. و غیره. شالوده نظری و تکنیک‌های پیاده‌سازی SVM ایجاد شده‌اند و SVM‌ها به دلیل ویژگی‌های جذاب بسیاری که دارند، به سرعت توسعه و محبوبیت پیدا می‌کنند: نمایش‌های ریاضی خوب، توضیحات هندسی، توانایی‌های تعمیم خوب و عملکرد تجربی امیدوارکننده. برخی از تک نگاری های SVM، از جمله تک نگاری های پیچیده تری مانند کریستیانینی و شاوه-تیلور [39] و Scholkopf & Smola [124]، منتشر شده اند. ما از سال 2004 دو کتاب در مورد SVM ها در Science Press چین منتشر کرده ایم [42، 43] که نگرانی های گسترده ای را به خود جلب کرد و نظرات مثبتی دریافت کرد. پس از چندین سال تحقیق و تدریس، تصمیم می گیریم کتاب ها را بازنویسی کنیم و دستاوردهای پژوهشی جدیدی به آن اضافه کنیم. نقطه شروع و تمرکز کتاب تئوری بهینه سازی است که از این نظر با سایر کتاب های SVM متفاوت است. بهینه سازی یکی از ستون هایی است که SVM ها بر روی آن ساخته می شوند، بنابراین بسیار منطقی است که آنها را از این دیدگاه در نظر بگیریم''-- بیشتر بخوانید. ..

توضیحاتی درمورد کتاب به خارجی

''Preface Support vector machines (SVMs), which were introduced by Vapnik in the early 1990s, are proved effective and promising techniques for data mining. SVMs have recently been breakthroughs in advance in their theoretical studies and implementations of algorithms. They have been successfully applied in many fields such as text categorization, speech recognition, remote sensing image analysis, time series forecasting, information security and etc. SVMs, having their roots in Statistical Learning Theory (SLT) and optimization methods, become powerful tools to solve the problems of machine learning with finite training points and to overcome some traditional difficulties such as the ''curse of dimensionality'', ''over-fitting'' and etc. SVMs theoretical foundation and implementation techniques have been established and SVMs are gaining quick development and popularity due to their many attractive features: nice mathematical representations, geometrical explanations, good generalization abilities and promising empirical performance. Some SVM monographs, including more sophisticated ones such as Cristianini & Shawe-Taylor [39] and Scholkopf & Smola [124], have been published. We have published two books about SVMs in Science Press of China since 2004 [42, 43], which attracted widespread concerns and received favorable comments. After several years research and teaching, we decide to rewrite the books and add new research achievements. The starting point and focus of the book is optimization theory, which is different from other books on SVMs in this respect. Optimization is one of the pillars on which SVMs are built, so it makes a lot of sense to consider them from this point of view''-- Read more...

فهرست مطالب

 Content: Optimization  Optimization Problems in Euclidian Space Convex Programming in Euclidean Space Convex Programming in Hilbert Space Convex Programming with Generalized Inequality Constraints in Rn Convex Programming with Generalized Inequality Constraints in Hilbert Space  Linear Classification Machines  Presentation of Classification Problems  Support Vector Classification (SVC) for Linearly Separable Problems Linear Support Vector Classification  Linear Regression Machines  Regression Problems and Linear Regression Problems  Hard epsilon-Band Hyperplane Linear Hard epsilon-Band Support Vector Regression Linear epsilon-Support Vector Regression  Kernels and Support Vector Machines  From Linear Classification to Nonlinear Classification Kernels Support Vector Machines and Their Properties Meaning of Kernels  Basic Statistical Learning Theory of C-Support Vector Classification Classification Problems on Statistical Learning Theory Empirical Risk Minimization  Vapnik Chervonenkis (VC) Dimension  Structural Risk Minimization  An Implementation of Structural Risk Minimization Theoretical Foundation of C-Support Vector Classification on Statistical Learning Theory  Model Construction  Data Generation Data Preprocessing Model Selection Rule Extraction  Implementation  Stopping Criterion  Chunking  Decomposing  Sequential Minimal Optimization  Software  Variants and Extensions of Support Vector Machines  Variants of Binary Classification Variants of Regression Multi-Class Classification Semi-Supervised Classification Universum Classification Privileged Classification  Knowledge-Based Classification  Robust Classification Multi-Instance Classification Multi-Label Classification Bibliography  Index
 Abstract:             ''Preface Support vector machines (SVMs), which were introduced by Vapnik in the early 1990s, are proved effective and promising techniques for data mining. SVMs have recently been breakthroughs in advance in their theoretical studies and implementations of algorithms. They have been successfully applied in many fields such as text categorization, speech recognition, remote sensing image analysis, time series forecasting, information security and etc. SVMs, having their roots in Statistical Learning Theory (SLT) and optimization methods, become powerful tools to solve the problems of machine learning with finite training points and to overcome some traditional difficulties such as the ''curse of dimensionality'', ''over-fitting'' and etc. SVMs theoretical foundation and implementation techniques have been established and SVMs are gaining quick development and popularity due to their many attractive features: nice mathematical representations, geometrical explanations, good generalization abilities and promising empirical performance. Some SVM monographs, including more sophisticated ones such as Cristianini & Shawe-Taylor [39] and Scholkopf & Smola [124], have been published. We have published two books about SVMs in Science Press of China since 2004 [42, 43], which attracted widespread concerns and received favorable comments. After several years research and teaching, we decide to rewrite the books and add new research achievements. The starting point and focus of the book is optimization theory, which is different from other books on SVMs in this respect. Optimization is one of the pillars on which SVMs are built, so it makes a lot of sense to consider them from this point of view''

نظرات کاربران

کتاب های تصادفی

دانلود کتاب US Spyplanes (Warbirds Illustrated 24)

دانلود کتاب The Ideology of Power and the Power of Ideology

دانلود کتاب Ingredients Extraction by Physicochemical Methods in Food

دانلود کتاب Queen - Made In Heaven

دانلود کتاب Thermodynamics in mineral sciences : an introduction