Fortschritte bei Kernel-Methoden: Unterstützung von Vektorlernen

Einführung in die Roadmap des Vektorlernens. Teil 1 Theorie: drei Anmerkungen zur Unterstützung von Vektormethoden zur Funktionsschätzung, Vladimir Vapnik Verallgemeinerungsleistung von Unterstützung Vektormaschinen und anderen Musterklassifikatoren, Peter Bartlett und John Shawe-Taylor Bayes'sche Abstimmungsschemata und Klassifikatoren mit großem Abstand, Nello Cristianini und John Shawe-Taylor Unterstützung Vektormaschinen, reproduzierende Kernel-Hilberträume und randomisierte GACV, Grace Wahba Geometrie und Invarianz in kernelbasierten Methoden, Christopher J.C. Burges zur erholten VC-Entropie für Abstandsklassifikatoren - eine Studie der statistischen Mechanik, Manfred Opper Entropiezahlen, Operatoren und Unterstützung Vektorkerne, Robert C. Williamson et al. Teil 2 Implementierungen: Lösung des entstehenden quadratischen Programmierungsproblems bei Unterstützung Vektorklassifikation, Linda Kaufman praktische Anwendung von großangelegtem Vektorlernen, Thorsten Joachims schnelles Training von Unterstützung Vektormaschinen mit sequentieller minimaler Optimierung, John C. Platt. Teil 3 Anwendungen: Unterstützung Vektormaschinen für die dynamische Rekonstruktion eines chaotischen Systems, Davide Mattera und Simon Haykin Verwendung von Unterstützung Vektormaschinen für Zeitreihenvorhersagen, Klaus-Robert Müller et al. paarweise Klassifikation und Unterstützung Vektormaschinen, Ulrich Kressel. Teil 4 Erweiterungen des Algorithmus: Verringerung der Laufzeitkomplexität bei Unterstützung Vektormaschinen, Edgar E. Osuna und Federico Girosi Unterstützung Vektorregrression mit ANOVA-Dekompositionskernen, Mark O. Stitson et al. Unterstützung Vektordichteschätzung, Jason Weston et al. Kombination von Unterstützung Vektor- und mathematischen Programmierungsmethoden zur Klassifikation, Bernhard Schölkopf et al.