Pointeurs à un bon tutoriel SVM [fermé]

Question

Je l'ai essayé de saisir les bases de Support Vector Machines et téléchargé et lu de nombreux articles en ligne. Mais encore je ne suis pas en mesure de le saisir.

Je voudrais savoir, s'il y en a

• tutoriel agréable
• exemple de code qui peut être utilisé pour comprendre

ou quelque chose, que vous pouvez penser, et qui me permettra d'apprendre facilement SVM Basics.

PS: j'ai réussi à apprendre PCA (analyse en composantes principales). BTW, vous les gars AURAIT deviné que je travaille sur l'apprentissage machine.

Answer 1

La recommandation standard pour un tutoriel dans SVM est Un tutoriel sur Support Vector Machines pour la reconnaissance des formes par Christopher Burges. Un autre bon endroit pour en apprendre davantage sur SVM est le du cours à Stanford (SVM sont couverts dans des conférences 6-8). Ces deux sont assez théoriques et lourds sur les mathématiques.

En ce qui concerne le code source; SVMLight , et href="http://chasen.org/~taku/software/TinySVM/" rel="noreferrer"> TinySVM sont tous ouverts -source, mais le code est très facile à suivre. Je ne l'ai pas regardé chacun d'eux de très près, mais la source de TinySVM est probablement le plus simple est de comprendre. Il y a aussi une application pseudo-code de l'algorithme SMO cet article .

Answer 2

Ce tutoriel est d'un très bon débutant sur MVB:

SVM expliqué

j'ai toujours pensé tutoriel recommandé de StompChicken est un peu déroutant dans la façon dont ils sautent droit à parler de limites et statistiques VC et en essayant de trouver la machine optimale et tel. Il est bon si vous connaissez déjà les bases, cependant.

Answer 3

Beaucoup de conférences vidéo sur MVB:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

J'ai trouvé une par Colin Campbell très utile.

Answer 4

Un guide pratique de la classification SVM libsvm
PyML Tutoriel PyML Je pense que 1 est pratique pour une utilisation, 3 est clair pour la compréhension.

Answer 5

En supposant que vous connaissez les bases (par exemple classificateurs de marge max, la construction d'un noyau), résoudre problème Set 2 (document n ° 5) de ce cours d'apprentissage machine à stanford. Il y a des clés de réponse et il tient la main à travers tout le processus. Utilisez Notes de cours 3 et vidéo # 7-8 comme référence.

Si vous ne connaissez pas les bases, regarder des vidéos précédentes.

Answer 6

Je récupérer une copie de R , installez le e1071 package qui enveloppe bien libsvm , et essayer d'obtenir de bons résultats sur vos ensembles de données préférés.

Si vous viens de comprendre PCA, il pourrait être instructif d'examiner les données avec beaucoup plus prédicteurs que les cas (par exemple, les profils d'expression génique de puces à ADN, les séries chronologiques, les spectres de la chimie analytique, etc.) et comparer la régression linéaire sur l'APC « D prédicteurs avec SVM sur les prédicteurs premières.

Il y a beaucoup de grandes références dans les autres réponses, mais je pense qu'il ya une valeur à jouer avec la boîte noire avant de lire ce qui est à l'intérieur.