Puntatori a qualche buona SVM Tutorial [chiuse]

Question

Ho cercato di cogliere i principi fondamentali di Support Vector Machines, e scaricato e letto molti articoli online. Ma ancora non sono in grado di afferrarlo.

Vorrei sapere, se ci sono alcuni

• bel tutorial
• il codice di esempio che può essere utilizzato per la comprensione

o qualcosa, che si può pensare, e che mi permetterà di imparare SVM Basics facilmente.

PS: io in qualche modo riuscito a imparare PCA (Principal Component Analysis). A proposito, voi ragazzi avrebbe mai immaginato che sto lavorando su Machine Learning.

Answer 1

La raccomandazione standard per un tutorial in SVM è un tutorial su Support Vector Machines per Pattern Recognition da Christopher Burges. Un altro buon posto per conoscere SVM è il Machine Learning corso a Stanford (SVM sono coperti in lezioni 6-8). Entrambi questi sono abbastanza teorica e pesante sulle matematica.

Per quanto riguarda il codice sorgente; SVMLight , libsvm e TinySVM sono tutti aperti -source, ma il codice non è molto facile da seguire. Non ho guardato a ciascuno di loro molto da vicino, ma la fonte per TinySVM è probabilmente il è più facile da capire. C'è anche un'implementazione pseudo-codice dell'algoritmo SMO in questo documento .

Answer 2

Questa è un'esercitazione un ottimo principiante su SVM:

SVM spiegato

Ho sempre pensato esercitazione raccomandato di StompChicken era un po 'di confusione nel modo in cui saltano destra in parlando di limiti e statistiche VC e cercando di trovare la macchina ottimale e così via. E 'bene se si dispone già capire le basi, però.

Answer 3

Un sacco di video lezioni su SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

ho trovato quella di Colin Campbell per essere molto utile.

Answer 4

Una guida pratica per la classificazione SVM libsvm
PyML Tutorial per PyML Penso 1 è pratico per l'uso, 3 è chiaro per la comprensione.

Answer 5

Supponendo che conoscete le basi (per esempio, classificatori max di margine, la costruzione di un kernel), risolvono Problema set 2 (volantino # 5) di quel corso di apprendimento della macchina Stanford. C'è chiavi di risposta e tiene la mano attraverso l'intero processo. Utilizzare Dispense 3 & video # 7-8 come riferimenti.

Se non si conoscono le basi, guardare i video precedenti.

Answer 6

Vorrei prendere una copia di R , installare il E1071 pacchetto che ben avvolge libsvm , e cercare di ottenere buoni risultati sui vostri insiemi di dati preferiti.

Se hai appena capito PCA, potrebbe essere informativo a guardare i dati con molte più predittori di casi (ad esempio, profili di espressione genica microarray, serie temporali, spettri dalla chimica analitica, etc.) e confrontare regressione lineare sulla PCA 'predittori d con SVM sui predittori prime.

Ci sono un sacco di grandi riferimenti delle altre risposte, ma penso che ci sia valore nel giocare con la scatola nera prima di leggere quello che c'è dentro.