支持向量機的算法設計與分析（簡體書）

支持向量機的研究是近十餘年機器學習、模式識別和數據挖掘領域中的研究熱點，受到了計算數學、統計、計算機、自動化和電信等有關學科研究者的廣泛關注，取得了豐碩的理論成果，並被廣泛地應用于文本分類、圖像處理、語音識別、時間序列預測和函數估計等領域。《信息與計算科學叢書（59）：支持向量機的算法設計與分析》首先介紹了核函數的概念；然後從幾何直觀的角度介紹了建立二分類模型和回歸模型過程中所取得的理論成果；最後對於分解算法、最小二乘支持向量機、多分類、模糊支持向量機、在線學習和大規模分類相關的優秀成果進行了歸納和整理，從數學上對相關算法的原理進行了詳細分析。《信息與計算科學叢書（59）：支持向量機的算法設計與分析》的內容既包括支持向量機的最新進展，也包括作者的多年研究成果。作者希望《信息與計算科學叢書（59）：支持向量機的算法設計與分析》能夠有助於對機器學習、模式識別和數據挖掘感興趣的讀者更加快速地瞭解支持向量機的最新研究動態，能夠有助於讀者理清算法的本質，從而使讀者能夠在已有研究成果的基礎之上更加有效地開展工作。
《信息與計算科學叢書（59）：支持向量機的算法設計與分析》可作為數學、統計、計算機、電信、自動化等有關專業的高年級本科生和研究生教材，也可作為相關領域的教師和科研工作者的參考書。

《信息與計算科學叢書》序
前言

第1章 支持向量機的分類和回歸模型
1.1 多項式核函數
1.2 Mercer核
1.3 再生核Hilbert空間
1.4 正定核函數的構造
1.5 二分類問題的數學提法
1.6 平分最近點模型
1.7 最大間隔模型
1.8 平分最近點模型和最大間隔模型之間的關係
1.9 回歸問題的數學提法
1.10 硬ε-帶超平面
1.11 基於分類的回歸模型
參考文獻

第2章 分解算法
2.1 無約束問題的提法
2.2 分解算法的提出
2.3 選塊算法
2.4 SVMLight算法
2.5 Platt的SMO算法
2.6 Keerthi的SMO改進算法
2.7 改進的SMO算法的收斂性
2.8 解回歸問題的SMO算法
2.9 擴展的Lagrange支持向量機
參考文獻

第3章 最小二乘支持向量機
3.1 最小二乘支持向量機
3.2 最小二乘隱空間支持向量機
3.3 基於矩陣模式的最小二乘支持向量機
3.4 最小二乘支持向量機的求解算法
3.5 最小二乘支持向量機的稀疏化算法
參考文獻

第4章 多分類問題
4.1 一對多算法
4.2 一對一算法
4.3 基於決策樹的支持向量機
4.4 嵌套算法
4.5 糾錯輸出編碼支持向量機
4.6 一次求解算法
4.7 支持向量機分類一回歸算法
參考文獻

第5章 模糊支持向量機
5.1 單邊加權模糊支持向量機
5.2 雙邊加權模糊支持向量機
5.3 基於加權間隔的模糊支持向量機
5.4 模糊支持向量機中的隸屬度設置
5.5 加權穩健支持向量回歸方法
5.6 基於ε-不敏感學習的模糊系統
5.7 基於模糊if-then規則的ε-間隔非線性分類器
5.8 基於核模糊ε-均值聚類和最遠對策略的模糊支持向量機分類器
參考文獻

第6章 支持向量機的在線學習算法
6.1 基於增量和減量學習的支持向量機算法
6.2 增量支持向量機分類算法
6.3 增量支持向量機回歸算法
6.4 核遞歸最小二乘算法
6.5 基於結構風險最小化的在線核方法
6.6 快速的在線核分類器
參考文獻

第7章 大規模分類
7.1 大規模線性支持向量機算法
7.2 基於低秩核矩陣表示的支持向量機算法
7.3 縮減支持向量機
……