基于半监督的SVM迁移学习的算法研究开题演示课件文.pptVIP

论文题目：基于SVM的半监督迁移学习的算法研究 ;开题内容; 我们生活在大量数据日积月累的年代。每天，来自网络、商业、社会、科学和工程、医学以及我们日常生活的方方面面的数兆兆字节或数千兆兆字节的数据注入我们的计算机网络、万维网和各种数据存储设备。世界范围的商业活动产生了巨大的数据集，包括销售事务、股票交易记录、产品描述、促销、公司利润和业绩以及顾客反馈。科学和工程实践持续不断地从遥感、过程测量、科学实验、系统实施、工程观测和环境监测中产生多达数千兆兆字节的数据。数据的爆炸式增长、广泛可用和巨大数量使得我们的时代成为真正的数据时代。而将数据转换成有价值的信息的其中一个重要的步骤是分类。分类可以从内容丰富、蕴含大量信息的数据库中提取描述重要信息的数据类，从而作出智能的商务决策，其应用非常广泛。然而针对不同类型的数据，分类的方法却有很多，如贝叶斯分类，支持向量机(SVM)分类，C4.5等。 SVM是机器学习中的重要算法，近年来也得到了广阔的发展，特别是在生物信息、文本分类等领域中。而基本的SVM算法是有监督的的学习算法，它是基于统计学习理论的原理性方法。其主要思想是：建立一个最优决策超平面，使得该平面两侧距平面最近的两类样本之间的距离最大化。从而 ; 对分类问题提供良好的泛化能力，所采用的数据往往都需要满足一定条件。 然而在传统的SVM分类方法中