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!
|
id |
oai:localhost:123456789-128946 |
---|---|
record_format |
dspace |
spelling |
oai:localhost:123456789-1289462023-07-17T15:09:34Z Support vector machines Christmann, Andreas. Steinwart, Ingo. SpringerLink (Online service) Inteligência artificial. Mineração de dados (Computação). Computação. 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. 0 2022-10-06T07:29:43Z 2022-10-06T07:29:43Z 2008. Digital 004.8 C555s 9780387772424 195501 http://dx.doi.org/10.1007/978-0-387-77242-4 http://dx.doi.org/10.1007/978-0-387-77242-4 |
institution |
Acervo SISBI |
collection |
SIGAA |
topic |
Inteligência artificial. Mineração de dados (Computação). Computação. |
spellingShingle |
Inteligência artificial. Mineração de dados (Computação). Computação. Christmann, Andreas. Steinwart, Ingo. SpringerLink (Online service) Support vector machines |
description |
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. |
format |
Digital |
author |
Christmann, Andreas. Steinwart, Ingo. SpringerLink (Online service) |
author_facet |
Christmann, Andreas. Steinwart, Ingo. SpringerLink (Online service) |
author_sort |
Christmann, Andreas. |
title |
Support vector machines |
title_short |
Support vector machines |
title_full |
Support vector machines |
title_fullStr |
Support vector machines |
title_full_unstemmed |
Support vector machines |
title_sort |
support vector machines |
publishDate |
2022 |
url |
http://dx.doi.org/10.1007/978-0-387-77242-4 |
work_keys_str_mv |
AT christmannandreas supportvectormachines AT steinwartingo supportvectormachines AT springerlinkonlineservice supportvectormachines |
_version_ |
1771688137889677312 |