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...

ver descrição completa

Na minha lista:

Detalhes bibliográficos
Principais autores:	Christmann, Andreas., Steinwart, Ingo., SpringerLink (Online service)
Formato:	Digital
Publicado em:
Assuntos:	Inteligência artificial. Mineração de dados (Computação). Computação.
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

Support vector machines

Registros relacionados