التعرف على الأنماط باستخدام Support Vector Machines - (Lecture Notes in Computer Science) تأليف Seong-Whan Lee & Alessandro Verri (غلاف ورقي)

ملخص الكتاب: مع تقديمها في عام 1995، مثلت Support Vector Machines (SVMs) بداية لنهج جديد في نموذج التعلم من الأمثلة. وبفضل جذورها في نظرية التعلم الإحصائي التي طورها Vladimir Vapnik في AT&T، حظيت SVMs باهتمام سريع من مجتمع التعرف على الأنماط نظرًا لما تتمتع به من مزايا نظرية وحسابية عديدة. وتشمل هذه المزايا، على سبيل المثال، التفسير الهندسي البسيط للهامش، وتفرد الحل، والمتانة الإحصائية لدالة الخسارة، ونمطية دالة النواة، والتحكم المفرط من خلال اختيار معامل تنظيم واحد. المعلمة. ومثل جميع الأفكار الجيدة للغاية وبعيدة المدى، أثارت نماذج SVM عدداً من المشكلات المثيرة للاهتمام لكل من المنظرين والممارسين. وتجري حالياً عملية تطوير مناهج جديدة لنظرية التعلم الإحصائي، كما يتم دراسة طرق جديدة وأكثر كفاءة لحساب SVM باستخدام عدد كبير من الأمثلة. ولأننا مهتمون بأنفسنا بتطوير الأنظمة القابلة للتدريب، فقد قررنا تنظيم ورشة عمل دولية كحدث تابع للمؤتمر الدولي السادس عشر للتعرف على الأنماط، مع التركيز على التأثير العملي وأهمية نماذج SVM للتعرف على الأنماط. بحلول مارس 2002، تم تقديم ما مجموعه 57 ورقة بحثية كاملة من 21 دولة. ولضمان الجودة العالية لورشة العمل وسجل الأعمال، فإن البرنامج mitteeselectedandaccepted30ofthemafterathoroughreviewprocess. وكثير من هذه papers16werepresentedin4oralsessionsand14inapostersession. وتغطي الأوراق مجموعة متنوعة من المواضيع في مجال التعرف على الأنماط باستخدام SVMs، بدءاً من النظريات الحسابية وصولاً إلى تطبيقاتها العملية. وبالإضافة إلى هذه العروض الممتازة، تضمن البرنامج ورقتين بحثيتين بدعوة من Sayan Mukherjee من MIT و Yoshua Bengio من University of Montreal.