Avances en métodos kernel: aprendizaje de máquinas de vectores de soporte

Introducción al plan de aprendizaje de máquinas de vectores de soporte. Parte 1 Teoría: tres observaciones sobre el método de vectores de soporte para la estimación de funciones, Vladimir Vapnik desempeño de generalización de las máquinas de vectores de soporte y otros clasificadores de patrones, Peter Bartlett y John Shawe-Taylor esquemas bayesianos de votación y clasificadores de gran margen, Nello Cristianini y John Shawe-Taylor máquinas de vectores de soporte, espacios de Hilbert con núcleo reproducible, y GACV aleatorizado, Grace Wahba geometría e invariancia en métodos basados en kernel, Christopher J.C. Burges sobre la entropía VC recocida para clasificadores de margen - un estudio de mecánica estadística, Manfred Opper números de entropía, operadores y kernels de vectores de soporte, Robert C. Williamson et al. Parte 2 Implementaciones: resolución del problema de programación cuadrática en clasificación con máquinas de vectores de soporte, Linda Kaufman haciendo práctico el aprendizaje en máquinas de vectores de soporte a gran escala, Thorsten Joachims entrenamiento rápido de máquinas de vectores de soporte usando optimización secuencial mínima, John C. Platt. Parte 3 Aplicaciones: máquinas de vectores de soporte para reconstrucción dinámica de un sistema caótico, Davide Mattera y Simon Haykin uso de máquinas de vectores de soporte para predicción de series temporales, Klaus-Robert Muller et al clasificación par a par y máquinas de vectores de soporte, Ulrich Kressel. Parte 4 Extensiones del algoritmo: reducción de la complejidad temporal en máquinas de vectores de soporte, Edgar E. Osuna y Federico Girosi regresión con vectores de soporte con kernels de descomposición ANOVA, Mark O. Stitson et al estimación de densidad con vectores de soporte, Jason Weston et al combinación de métodos de vectores de soporte y programación matemática para clasificación, Bernhard Scholkopf et al.