支持向量機導論

第1章  學習方法
    1.1  監(jiān)督學習
    1.2  學習和泛化性
    1.3  提高泛化性
    1.4  學習的價值和缺點
    1.5  用于學習的支持向量機
    1.6  習題
    1.7  補充讀物和高級主題
第2章  線性學習器
    2.1  線性分類
    2.1.1  Rosenblatt感知機
    2.1.2  其他線性分類器
    2.1.3  多類判別
    2.2  線性回歸-
    2.2.1  最小二乘法
    2.2.2  嶺回歸
    2.3  線性學習器的對偶表示
    2.4  習題
    2.5  補充讀物和高級主題
第3章  核函數(shù)特征空間
    3.1  特征空間中的學習
    3.2  到特征空間的隱式映射
    3.3  構(gòu)造核函數(shù)
    3.3.1  核函數(shù)的性質(zhì)
    3.3.2  從核函數(shù)中構(gòu)造核函數(shù)
    3.3.3  從特征中構(gòu)造核函數(shù)
    3.4  特征空間中的計算
    3.5  核與高斯過程
    3.6  習題
    3.7  補充讀物和高級主題
第4章  泛化性理論
    4.1  可能近似正確學習模型
    4.2  VC理論
    4.3  泛化性的間隔界
    4.3.1  最大間隔界
    4.3.2  間隔百分界
    4.3.3  軟間隔界
    4.4  其他泛化界和幸運度函數(shù)
    4.5  回歸的泛化性
    4.6  學習的貝葉斯分析
    4.7  習題
    4.8  補充讀物和高級主題
第5章  最優(yōu)化理論
    5.1  問題的形成
    5.2  拉格朗日理論
    5.3  對偶性
    5.4  習題
    5.5  補充讀物和高級主題
第6章  支持向量機
    6.1  支持向量分類
    6.1.1  最大間隔分類器
    6.1.2  軟間隔優(yōu)化
    6.1.3  線性規(guī)劃支持向量機
    6.2  支持向量回歸
    6.2.1  ε不敏感損失回歸
    6.2.2  核嶺回歸
    6.2.3  高斯過程
    6.3  討論
    6.4  習題
    6.5  補充讀物和高級主題
第7章  實現(xiàn)技術(shù)
    7.1  通用主題
    7.2  簡單解：梯度上升算法
    7.3  通用技術(shù)和軟件包
    7.4  塊與分解
    7.5  序貫最小優(yōu)化算法
    7.5.1  兩點解析解
    7.5.2  啟發(fā)式選擇算法
    7.6  高斯過程的實現(xiàn)技術(shù)
    7.7  習題
    7.8  補充讀物和高級主題
第8章  支持向量機的應用
    8.1  文本分類
    8.1.1  IR核應用于信息過濾
    8.2  圖像識別
    8.2.1  視位無關(guān)分類
    8.2.2  基于顏色的分類
    8.3  手寫數(shù)字識別
    8.4  生物信息學
    8.4.1  蛋白質(zhì)同源檢測
    8.4.2  基因表達
    8.5  補充讀物和高級主題
附錄A  SMO算法的偽碼
附錄B  背景數(shù)學
參考書目