Apprendere con i kernel: Macchine vettoriali di supporto, regolarizzazione, ottimizzazione e oltre

Recensioni dei lettori

Il libro fornisce un'esplorazione completa e dettagliata delle macchine a vettori di supporto (SVM) e dei metodi kernel, rendendolo adatto a coloro che hanno un solido background nelle discipline matematiche pertinenti. Tuttavia, può risultare ostico per i neofiti a causa della matematica avanzata coinvolta e di alcune omissioni nella trattazione.

⬤ Copertura approfondita delle aree chiave dei metodi SVM e kernel
⬤ scritto da esperti riconosciuti
⬤ esempi e riferimenti estesi
⬤ capitoli ben organizzati che consentono una lettura non lineare
⬤ adatto a studenti laureati e ricercatori
⬤ trattamento matematico approfondito della teoria SVM.

⬤ Non adatto ai neofiti
⬤ richiede una solida preparazione in analisi funzionale, probabilità e ottimizzazione
⬤ alcuni capitoli e appendici possono essere insufficienti per chi non ha conoscenze adeguate
⬤ alcuni errori di battitura e di teoremi
⬤ il libro comincia a sembrare datato, vista l'evoluzione del settore.

(basato su 19 recensioni dei lettori)

Titolo originale:

Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond

Contenuto del libro:

Un'introduzione completa alle Support Vector Machine e ai relativi metodi kernel.

Negli anni '90 è stato sviluppato un nuovo tipo di algoritmo di apprendimento, basato sui risultati della teoria dell'apprendimento statistico: la Support Vector Machine (SVM). Ciò ha dato origine a una nuova classe di macchine di apprendimento teoricamente eleganti che utilizzano un concetto centrale delle SVM, i kernel, per una serie di compiti di apprendimento.

Le macchine kernel forniscono un quadro modulare che può essere adattato a diversi compiti e domini attraverso la scelta della funzione kernel e dell'algoritmo di base. Stanno sostituendo le reti neurali in diversi campi, tra cui l'ingegneria, il reperimento di informazioni e la bioinformatica. Learning with Kernels fornisce un'introduzione alle SVM e ai relativi metodi kernel.

Sebbene il libro parta dalle basi, include anche le ricerche più recenti. Fornisce tutti i concetti necessari per consentire a un lettore dotato di alcune conoscenze matematiche di base di entrare nel mondo dell'apprendimento automatico utilizzando algoritmi kernel teoricamente fondati ma facili da usare e di comprendere e applicare i potenti algoritmi sviluppati negli ultimi anni.