SVM

 

参考文献及推荐阅读

  1. 《支持向量机导论》，[英] Nello Cristianini / John Shawe-Taylor 著；
  2. 支持向量机导论一书的支持网站：http://www.support-vector.net/；
  3. 《数据挖掘导论》，[美] Pang-Ning Tan / Michael Steinbach / Vipin Kumar 著；
  4. 《数据挖掘：概念与技术》，(加)Jiawei Han;Micheline Kamber 著；
  5. 《数据挖掘中的新方法：支持向量机》，邓乃扬 田英杰 著；
  6. 《支持向量机--理论、算法和扩展》，邓乃扬 田英杰 著；
  7. 支持向量机系列，pluskid：http://blog.pluskid.org/?page_id=683；
  8. http://www.360doc.com/content/07/0716/23/11966_615252.shtml；
  9. 数据挖掘十大经典算法初探；
  10. 《模式识别支持向量机指南》，C.J.C Burges 著；
  11. 《统计学习方法》，李航著；
  12. 《统计自然语言处理》，宗成庆编著，第十二章、文本分类；
  13. SVM入门系列，Jasper：http://www.blogjava.net/zhenandaci/category/31868.html；
  14. 最近邻决策和SVM数字识别的实现和比较，作者不详；
  15. 纯白板手推SVM：http://www.julyedu.com/video/play/18/429
  16. 斯坦福大学机器学习课程原始讲义：http://www.cnblogs.com/jerrylead/archive/2012/05/08/2489725.html；
  17. 斯坦福机器学习课程笔记：http://www.cnblogs.com/jerrylead/tag/Machine%20Learning/；
  18. http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html；
  19. SMO算法的数学推导：http://www.cnblogs.com/jerrylead/archive/2011/03/18/1988419.html；
  20. 数据挖掘掘中所需的概率论与数理统计知识、上；
  21. 关于机器学习方面的文章，可以读读：http://www.cnblogs.com/vivounicorn/category/289453.html；
  22. 数学系教材推荐：http://blog.sina.com.cn/s/blog_5e638d950100dswh.html；
  23. 《神经网络与机器学习(原书第三版)》，[加] Simon Haykin 著；
  24. 正态分布的前世今生：http://t.cn/zlH3Ygc；
  25. 《数理统计学简史》，陈希孺院士著；
  26. 《最优化理论与算法(第2版)》，陈宝林编著；
  27. A Gentle Introduction to Support Vector Machines in Biomedicine：http://www.nyuinformatics.org/downloads/supplements/SVM_Tutorial_2010/Final_WB.pdf，此PPT很赞，除了对引入拉格朗日对偶变量后的凸二次规划问题的深入度不够之外，其它都挺好，配图很精彩，本文有几张图便引自此PPT中；
  28. 来自卡内基梅隆大学carnegie mellon university(CMU)的讲解SVM的PPT：http://www.autonlab.org/tutorials/svm15.pdf；
  29. 发明libsvm的台湾林智仁教授06年的机器学习讲义SVM：http://wenku.baidu.com/link?url=PWTGMYNb4HGUrUQUZwTH2B4r8pIMgLMiWIK1ymVORrds_11VOkHwp-JWab7IALDiors64JW_6mD93dtuWHwFWxsAk6p0rzchR8Qh5_4jWHC；
  30. http://staff.ustc.edu.cn/~ketang/PPT/PRLec5.pdf；
  31. Introduction to Support Vector Machines (SVM)，By Debprakash Patnai M.E (SSA)，https://www.google.com.hk/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0CCwQFjAA&url=http%3a%2f%2fwww%2epws%2estu%2eedu%2etw%2fccfang%2findex%2efiles%2fAI%2fAI%26ML-Support%2520Vector%2520Machine-1%2eppt&ei=JRR6UqT5C-iyiQfWyIDgCg&usg=AFQjCNGw1fTbpH4ltQjjmx1d25ZqbCN9nA；
  32. 多人推荐过的libsvm：http://www.csie.ntu.edu.tw/~cjlin/libsvm/；
  33. 《machine learning in action》，中文版为《机器学习实战》；
  34. SMO算法的提出：Sequential Minimal Optimization A Fast Algorithm for Training Support Vector Machines：http://research.microsoft.com/en-us/um/people/jplatt/smoTR.pdf；
  35. 《统计学习理论的本质》，[美] Vladimir N. Vapnik著，非常晦涩，不做过多推荐；
  36. 张兆翔，机器学习第五讲之支持向量机http://irip.buaa.edu.cn/~zxzhang/courses/MachineLearning/5.pdf；
  37. VC维的理论解释：http://www.svms.org/vc-dimension/，中文VC维解释http://xiaoxia001.iteye.com/blog/1163338；
  38. 来自NEC Labs America的Jason Weston关于SVM的讲义http://www.cs.columbia.edu/~kathy/cs4701/documents/jason_svm_tutorial.pdf；
  39. 来自MIT的SVM讲义：http://www.mit.edu/~9.520/spring11/slides/class06-svm.pdf；
  40. PAC问题：http://www.cs.huji.ac.il/~shashua/papers/class11-PAC2.pdf；
  41. 百度张潼老师的两篇论文：《Statistical behavior and consistency of classification methods based on convex risk minimization》http://home.olemiss.edu/~xdang/676/Consistency_of_Classification_Convex_Risk_Minimization.pdf，《Statistical analysis of some multi-category large margin classification methods》；
  42. http://jacoxu.com/?p=39；
  43. 《矩阵分析与应用》，清华张贤达著；
  44. SMO算法的实现：http://blog.csdn.net/techq/article/details/6171688；
  45. 常见面试之机器学习算法思想简单梳理：http://www.cnblogs.com/tornadomeet/p/3395593.html；
  46. 矩阵的wikipedia页面：http://zh.wikipedia.org/wiki/%E7%9F%A9%E9%98%B5；
  47. 最小二乘法及其实现：http://blog.csdn.net/qll125596718/article/details/8248249；
  48. 统计学习方法概论：http://blog.csdn.net/qll125596718/article/details/8351337；
  49. http://www.csdn.net/article/2012-12-28/2813275-Support-Vector-Machine；
  50. A Tutorial on Support Vector Regression：http://alex.smola.org/papers/2003/SmoSch03b.pdf；SVR简明版：http://www.cmlab.csie.ntu.edu.tw/~cyy/learning/tutorials/SVR.pdf。
  51. SVM Org：http://www.support-vector-machines.org/；
  52. R. Collobert. Large Scale Machine Learning. Université Paris VI phd thesis. 2004：http://ronan.collobert.com/pub/matos/2004_phdthesis_lip6.pdf；
  53. Making Large-Scale SVM Learning Practical：http://www.cs.cornell.edu/people/tj/publications/joachims_99a.pdf；
  54. 文本分类与SVM：http://blog.csdn.net/zhzhl202/article/details/8197109；
  55. Working Set Selection Using Second Order Information
  56. for Training Support Vector Machines：http://www.csie.ntu.edu.tw/~cjlin/papers/quadworkset.pdf；
  57. SVM Optimization: Inverse Dependence on Training Set Size：http://icml2008.cs.helsinki.fi/papers/266.pdf；
  58. Large-Scale Support Vector Machines: Algorithms and Theory：http://cseweb.ucsd.edu/~akmenon/ResearchExam.pdf；
  59. 凸优化的概念：http://cs229.stanford.edu/section/cs229-cvxopt.pdf；
  60. 《凸优化》，作者: Stephen Boyd / Lieven Vandenberghe，原作名: Convex Optimization；
  61. Large-scale Non-linear Classification: Algorithms and Evaluations，Zhuang Wang，讲了很多SVM算法的新进展：http://ijcai13.org/files/tutorial_slides/te2.pdf；
  62. 基于SMO算法实现SVM：http://www.cs.iastate.edu/~honavar/smo-svm.pdf；
  63. copper推荐的一些SVM相关的论文（当然，其中不少论文在上面的条目中都已经提到）：http://c.blog.sina.com.cn/profile.php?blogid=68d0b92d89000h35；
  64. 在线编辑Latex 公式：http://www.codecogs.com/latex/eqneditor.php?lang=zh-cn。
  65. ---------------------作者：v_JULY_v
  66. 来源：CSDN
  67. 原文：https://blog.csdn.net/v_JULY_v/article/details/7624837版权声明：本文为博主原创文章，转载请附上博文链接！
posted @ 2019-03-15 10:26  JYLJX  阅读(663)  评论(0)  编辑  收藏  举报