Bewertung:
Das Buch bietet eine umfassende und detaillierte Untersuchung von Support Vector Machines (SVMs) und Kernel-Methoden, so dass es für diejenigen geeignet ist, die über einen soliden Hintergrund in den relevanten mathematischen Disziplinen verfügen. Aufgrund der fortgeschrittenen Mathematik und einiger Lücken in der Abdeckung kann es jedoch für Neulinge überwältigend sein.
Vorteile:⬤ Gründliche Abdeckung der Schlüsselbereiche von SVM- und Kernel-Methoden
⬤ geschrieben von anerkannten Experten
⬤ umfangreiche Beispiele und Referenzen
⬤ gut organisierte Kapitel, die ein nicht-lineares Lesen ermöglichen
⬤ geeignet für Studenten und Forscher
⬤ eingehende mathematische Behandlung der SVM-Theorie.
⬤ Nicht für Anfänger geeignet
⬤ erfordert ein starkes Hintergrundwissen in Funktionalanalysis, Wahrscheinlichkeit und Optimierung
⬤ einige Kapitel und Anhänge können für diejenigen, die nicht über ausreichende Kenntnisse verfügen, unzureichend sein
⬤ einige Tippfehler und Fehler in Theoremen
⬤ das Buch wirkt langsam veraltet, da sich das Feld weiterentwickelt.
(basierend auf 19 Leserbewertungen)
Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond
Eine umfassende Einführung in Support Vector Machines und verwandte Kernel-Methoden.
In den 1990er Jahren wurde ein neuer Typ von Lernalgorithmen entwickelt, der auf Ergebnissen der statistischen Lerntheorie basiert: die Support Vector Machine (SVM). Daraus entstand eine neue Klasse von theoretisch eleganten Lernmaschinen, die ein zentrales Konzept der SVMs - die Kernel - für eine Reihe von Lernaufgaben nutzen.
Kernelmaschinen bieten einen modularen Rahmen, der durch die Wahl der Kernel-Funktion und des Basisalgorithmus an verschiedene Aufgaben und Bereiche angepasst werden kann. Sie ersetzen neuronale Netze in einer Vielzahl von Bereichen, einschließlich Ingenieurwesen, Information Retrieval und Bioinformatik. Learning with Kernels bietet eine Einführung in SVMs und verwandte Kernel-Methoden.
Obwohl das Buch mit den Grundlagen beginnt, enthält es auch die neuesten Forschungsergebnisse. Es vermittelt alle Konzepte, die notwendig sind, um einem Leser, der über einige mathematische Grundkenntnisse verfügt, den Einstieg in die Welt des maschinellen Lernens mit theoretisch fundierten und dennoch einfach anzuwendenden Kernel-Algorithmen zu ermöglichen und die leistungsfähigen Algorithmen, die in den letzten Jahren entwickelt wurden, zu verstehen und anzuwenden.
| ISBN: | 9780262536578 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 648 |
Derzeit verfügbar, auf Lager.
