Support vector machines
Este livro explica os princípios que tornam máquinas de vetores de suporte (SVM), uma ferramenta de modelagem e previsão de sucesso para uma variedade de aplicações. Os autores apresentam as idéias básicas de SVMs em conjunto com os mais recentes desenvolvimentos e perguntas de pesquisa atuais em um...
Na minha lista:
| Principais autores: | , , |
|---|---|
| Formato: | Digital |
| Publicado em: |
|
| Assuntos: | |
| Endereço do item: | http://dx.doi.org/10.1007/978-0-387-77242-4 |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
| Resumo: | Este livro explica os princípios que tornam máquinas de vetores de suporte (SVM), uma ferramenta de modelagem e previsão de sucesso para uma variedade de aplicações. Os autores apresentam as idéias básicas de SVMs em conjunto com os mais recentes desenvolvimentos e perguntas de pesquisa atuais em um estilo unificado. Identificam-se três razões para o sucesso do SVM: a sua capacidade de aprender bem com apenas um número muito pequeno de parâmetros livres, a sua robustez contra vários tipos de violações modelo e valores aberrantes, e sua eficiência computacional em comparação com vários outros métodos. Desde o seu aparecimento no início dos anos noventa, máquinas de vetores de suporte e métodos baseados no núcleo relacionados têm sido aplicados com sucesso em diversos campos de aplicação, tais como bioinformática, detecção de fraudes, a construção de tarifas de seguro, marketing direto, e mineração de dados e texto. Como conseqüência, SVMs agora desempenha um papel importante no aprendizado automático de análise estatística e são usados ​​não só por estatísticos, matemáticos e cientistas da computação, mas também por engenheiros e analistas de dados. O livro fornece um tratamento em profundidade única de material fundamental e recente sobre SVMs que até agora tem sido espalhadas na literatura. O livro pode, portanto, servir como uma base para os cursos de pós-graduação e uma introdução para os estatísticos, matemáticos e cientistas da computação. Prevê ainda uma referência valiosa para os pesquisadores que trabalham no campo. O livro aborda todos os tópicos importantes sobre máquinas de vetores de suporte, tais como: perda de funções e do seu papel no processo de aprendizagem; reprodução do kernel Hilbert espaços e suas propriedades; uma análise estatística rigorosa que utiliza ambos os limites uniformes e técnicas tradicionais localizadas mais avançados com base nas médias Rademacher e Talagrand de desigualdade, um tratamento detalhado de classificação e regressão, uma detalhada análise de robustez, e uma descrição de algumas das técnicas de implementação mais recentes. Para fazer o livro de auto-contido, um extenso apêndice é acrescentado que oferece ao leitor a base necessária de estatística, teoria da probabilidade, análise funcional, análise convexa e topologia. Ingo Steinwart é um pesquisador no grupo de aprendizagem de máquina no Los Alamos National Laboratory. Ele funciona em máquinas de vetores de suporte e métodos relacionados. Andreas Christmann é professor de Estocástico no Departamento de Matemática da Universidade de Bayreuth. Ele trabalha em particular em máquinas de vetores de suporte e estatísticas robustas. |
|---|