📄 5_01_36.htm
字号:
<html>
<head>
<title>教材简介</title>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<link rel="stylesheet" href="../css/text.css" type="text/css">
</head>
<body bgcolor="#FFFFFF" text="#000000" leftmargin="0" topmargin="0">
<table width="100%" border="0" cellspacing="0" cellpadding="0" align="center" background="../images/bg2.gif">
<tr>
<td><img src="../images/top2.jpg" width="777" height="50"></td>
</tr>
</table>
<table width="100%" border="0" cellspacing="0" cellpadding="0" align="center" height="100%">
<tr>
<td width="5%" bgcolor="#dddddd"> </td>
<td width="85%" valign="top"> <br>
<br>
<table width="80%" border="1" bordercolorlight="#ffffff" bordercolordark="#aaaaaa" cellspacing="0" cellpadding="15" align="center">
<tr bgcolor="#E0E1ED">
<td width="39%">
<div align="center"><img src="../cover/5_01_36.jpg" height="200" border="1"></div>
</td>
<td width="61%">
<table width="90%" border="0" cellspacing="0" cellpadding="5" align="center">
<tr>
<td class="blue9b">统计学习理论的本质</td>
</tr>
<tr>
<td class="black9">
<p>作者：(美)瓦普尼克著 张学工<br>
书号：ISBN 7-302-03964-X/O·244<br>
字数：351千字 <br>
开本：16开 <br>
定价：27.00元<br>
版次：2000年9月第1版 2000年9月第1次印刷</p>
</td>
</tr>
</table>
</td>
</tr>
<tr bgcolor="#E0E1ED">
<td colspan="2" class="black9" height="172">内容简介：<br>
早在20世纪70年代"统计学习理论"实际上是已经建立了其基本体系的一门理论，它系统地研究了机器学习的问题，尤其是有限样本情况下的统计学习问题。90年代，在这一理论框架下产生出了"支持向量机(SVM)"这一新的通用机器学习方法。<br>
本书的作者，Vladimir N.Vapnik博士，就是统计学习理论的创立者之一，也是支持向量机方法的主要发明者。<br>
统计学习理论是针对小样本情况研究统计学习规律的理论，是传统统计学的重要发展和补充，为研究有限样本情况下机器学习的理论和方法提供了理论框架，其核心思想是通过控制学习机器的容量实现对推广能力的控制。在这一理论中发展出的支持向量机方法是一种新的通用学习机器，较以往方法表现出很多理论和实践上的优势。本书是该领域的权威著作，着重介绍了统计学习理论和支持向量机的关键思想、结论和方法，以及该领域的最新进展。<br>
本书主要内容包括：<br>
· 在基于经验数据最小化风险泛函的模型基础上对学习问题的表示。<br>
· 对经验风险最小化原则的深入分析，包括其一致性的充分必要条件。<br>
· 用经验风险最小化原则得到的风险的非渐近界。<br>
· 在这些界的基础上，控制小样本学习机器的推广能力的原则。<br>
· 支持向量机方法，它在用小样本估计函数时能够控制推广能力。<br>
本书第二版又增加了三章新内容，专门介绍了学习理论和SVM技术的新进展。内容包括：<br>
· 用于实值函数估计的SVM。<br>
· 基于求解多维积分方程的直接学习方法。<br>
· 经验风险最小化原则的一种扩展。<br>
在本书中，作者省略了一些证明和技术细节，而把重点集中在对学习理论的主要结论的讨论，以及它们与统计学中的基本问题的联系。<br>
本书的读者对象是在信息科学领域或数学领域从事有关机器学习和函数估计研究的学者和科技人员，也可作为模式识别、信息处理、人工智能、统计学等专业的研究生教材。</td>
</tr>
</table>
<br>
<br>
</td>
<td width="5%" bgcolor="#dddddd"> </td>
</tr>
</table>
</body>
</html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -