یادگیری با ماشین‌های بردار پشتیبان ۲۰۲۲
Learning with Support Vector Machines 2022

ماشین‌های بردار پشتیبان به ابزاری تثبیت‌شده در حوزه‌ی یادگیری ماشین تبدیل شده‌اند. این ماشین‌ها در عمل عملکرد خوبی دارند و اکنون در طیف گسترده‌ای از کاربردها، از تشخیص ارقام دست‌نویس گرفته تا شناسایی چهره، دسته‌بندی متن، بیوانفورماتیک و بازاریابی پایگاه داده، مورد استفاده قرار می‌گیرند.

در این کتاب، مروری مقدماتی بر این موضوع ارائه می‌دهیم. کار را با یک ماشین بردار پشتیبان ساده برای انجام طبقه‌بندی دودویی آغاز می‌کنیم و سپس به طبقه‌بندی چند کلاسه و یادگیری در حضور نویز می‌پردازیم. نشان می‌دهیم که این چارچوب را می‌توان به بسیاری از سناریوهای دیگر مانند پیش‌بینی با خروجی‌های با مقادیر واقعی، تشخیص نوآوری و مدیریت ساختارهای خروجی پیچیده مانند درخت‌های تجزیه گسترش داد.

در نهایت، مروری بر انواع اصلی هسته‌ها که در عمل مورد استفاده قرار می‌گیرند و چگونگی یادگیری و پیش‌بینی از انواع مختلف داده‌های ورودی ارائه می‌دهیم.

فهرست مطالب: ماشین‌های بردار پشتیبان برای طبقه‌بندی / مدل‌های مبتنی بر هسته / یادگیری با هسته‌ها

Support Vectors Machines have become a well established tool within machine learning. They work well in practice and have now been used across a wide range of applications from recognizing hand-written digits, to face identification, text categorisation, bioinformatics, and database marketing. In this book we give an introductory overview of this subject. We start with a simple Support Vector Machine for performing binary classification before considering multi-class classification and learning in the presence of noise. We show that this framework can be extended to many other scenarios such as prediction with real-valued outputs, novelty detection and the handling of complex output structures such as parse trees. Finally, we give an overview of the main types of kernels which are used in practice and how to learn and make predictions from multiple types of input data. Table of Contents: Support Vector Machines for Classification / Kernel-based Models / Learning with Kernels