浙江大学SVM(支持向量机)答案.ppt

浙江大学研究生《人工智能引论》课件;目录;8.1.1 SLT SVM的地位和作用;8.1.2 SLT SVM的数学基础;8.1.3 SLTSVM所坚持的“基本信念”;8.1.4 SLTSVM与传统方法的区别;SLT SVM集以下模型于一身：;8.2 SLT中的基本概念;统计学习理论中的基本概念（续）;8.3 统计学习理论的发展简况;SLT的发展简况(续);8.4 统计学习理论的基本内容;8.4.1 机器学习的基本问题;学习问题的表示;8.4.2 机器学习的基本问题;三类基本的机器学习问题;上述原则意味着，当解决模式识别或回归估计问题时，必须设法去“直接”寻找待求的函数，而不是首先估计密度，然后用估计的密度来构造待求的函数。 密度估计是统计学中的一个全能问题，即知道了密度就可以解决各种问题。一般地，估计密度是一个不适定问题(ill-posed problem)，需要大量观测才能较好地解决。 实际上，需要解决的问题（如决策规则估计或回归估计）是很特殊的，通常只需要有某一合理数量的观测就可以解决。;经验风险最小化原则;经验风险最小化;复杂性与推广能力;用三角函数拟合任意点;学习的示例;复杂性与推广能力（续）;8.5 统计学习理论的核心内容;VC维(函数的多样性);;VC维（续）;VC维（续）;三个里程碑定理;推广性的界;推广性的界（续1）;推广性的界（续2）;结构风险最小化;结构风险最小化（续1）;结构风险最小化（续2）;8.6 支持向量机概述;8.6.1 支持向量机概述;8.6.2 支持向量机理论;支持向量机理论（续1）;广义最优分类面;广义最优分类面（续1）;广义最优分类面（续2）;广义最优分类面（续3）;一个简单的例子：;;8.6.3 支持向量机;高维空间中的最优分类面;Mercer条件;支持向量机;支持向量机;8.6.4 核函数;8.6.5 支持向量机实现;支持向量机实现;8.7 研究现状;8.7.1 应用研究;SVM与神经网络（NN）的对比;“我们必须从一开始就澄清一个观点，就是如果某事不是科学，它并不一定不好。比如说，爱情就不是科学。因此，如果我们说某事不是科学，并不是说它有什么不对，而只是说它不是科学。” —— by R. Feynman from The Feynman Lectures on Physics, Addison-Wesley 同理，与SVM相比，NN不像一门???学，更像一门工程技巧，但并不意味着它就一定不好！;主要应用领域;8.7.2 支持向量机研究;8.7.3 支持向量机算法研究;支持向量机算法研究（续1）;支持向量机算法研究（续2）;支持向量机算法研究（续3）;总结;课后编程实现题目（二选一）：;主要参考文献：;Introduction to Support Vector Machine. Vapnik V N. 著，张学工译. 统计学习理论.人民邮电出版社. 张学工. 关于统计学习理论与支持向量机. 自动化学报, 2000年第1期. 史朝辉. SVM算法研究及在HRRP分类中的应用. 空军工程大学硕士学位论文, 2005. ;THANKS FOR YOUR PRESENCE!