SVM经典论文

1. P. H. Chen, C. J. Lin, and B. Sch?lkopf, A tutorial on ν-support vector machines, Appl. Stoch. Models. Bus. Ind. 2005,   21, 111-136. 
2. A. J. Smola and B. Sch?lkopf, A tutorial on support vector regression, Stat. Comput. 2004, 14, 199-222. 
3. V. D. Sanchez, Advanced support vector machines and kernel methods, Neurocomputing 2003, 55, 5-20. 
4. C. Campbell, Kernel methods: a survey of current techniques, Neurocomputing 2002, 48, 63-84. 
5. K. R. Müller, S. Mika, G. R?tsch, K. Tsuda, and B. Sch?lkopf, An introduction to kernel-based learning algorithms, IEEE Trans. Neural Netw. 2001, 12, 181-201. 
6. J. A. K. Suykens, Support vector machines: A nonlinear modelling and control perspective, Eur. J. Control 2001, 7, 311-327. 
7. V. N. Vapnik, An overview of statistical learning theory, IEEE Trans. Neural Netw. 1999, 10, 988-999. 
8. B. Sch?lkopf, S. Mika, C. J. C. Burges, P. Knirsch, K. R. Muller, G. Ratsch, and A. J. Smola, Input space versus feature space in kernel-based methods, IEEE Trans. Neural Netw. 1999, 10, 1000-1017. 
9. C. J. C. Burges, A tutorial on Support Vector Machines for pattern recognition, Data Min. Knowl. Discov. 1998, 2, 121-167. 
10. A. J. Smola and B. Sch?lkopf, On a kernel-based method for pattern recognition, regression, approximation, and operator inversion, Algorithmica 1998, 22, 211-231. 
11. Kristin, P.B. and C. Colin, Support vector machines: hype or hallelujah? SIGKDD Explor. Newsl., 2000. 2(2): p. 1-13.

以上部分摘自：http://www.support-vector-machines.org/SVM_review.html

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/chl033/archive/2009/07/29/4390028.aspx

时间： 2024-11-11 16:06:43

SVM经典论文的相关文章

图像处理和计算机视觉中的经典论文

图像处理和计算机视觉中的经典论文 转自:http://www.cnblogs.com/moondark/archive/2012/04/20/2459594.html 感谢水木上同领域的同学分享,有了他的整理,让我很方便的获得了CV方面相关的经典论文,我也顺便整理一下,把pdf中的文字贴到网页上,方便其它人更直观的获取所要内容~~~   资料的下载链接为:http://iask.sina.com.cn/u/2252291285/ish?folderid=775855 以下为该同学的整理的综述:“

报童、钱包和迪米特法则(设计模式迪米特原则经典论文翻译)

写在文章前: 或许你写过无数代码,参与过很多大型系统的设计,但,你是否曾经思考过,你的设计可扩展.易维护么,在高速变化的互联网世界里,它能经得起这种急速变化的考验么?如果你没想过这些问题,那请先放下你那些牛逼的梦想,放下你的高傲,好好去理解.回味设计六大原则和23种设计模式,因为它们是你腾飞的基石.今天,我勇敢的尝试翻译一篇有关设计原则的经典论文,希望对大家有帮助.(翻译是一项很费时.费精力的活,而且博主英语水平也不是特别好,翻译时多采用意译,见谅) 前言 在我读大学的时候,我的一个教授说每个程

PointCloud及其经典论文介绍

这篇博客会介绍点云的基本知识,重点介绍最近两年发表的部分经典论文,有什么建议欢迎留言! 点云基本介绍 点云是某个坐标系下的点的数据集,包含了丰富的信息,可以是三维坐标X,Y,Z.颜色.强度值.时间等等.下面两张图分别展示了点云在三维空间可视化以后的效果和数据格式.点云的数据获取方式有很多种,比较常见的是三维激光扫描仪进行数据采集,它有三大类: 星载(星载LiDAR采用卫星平台,运行轨道高.观测视野广,基本可以测量到地球的每一个角落,为三维控制点和数字高程模型的获取提供了新的途径,有些星载激光雷达

分布式系统领域有哪些经典论文

0 个回答 默认排序 知乎用户 机器学习 话题的优秀回答者 901 人赞同了该回答 谢邀!五一快乐!分布式系统在互联网时代,尤其是大数据时代到来之后,成为了每个程序员的必备技能之一.分布式系统从上个世纪80年代就开始有了不少出色的研究和论文,我在这里只列举最近15年范围以内我觉得有重大影响意义的15篇论文(15 within 15).1. The Google File System: 这是分布式文件系统领域划时代意义的论文,文中的多副本机制.控制流与数据流隔离和追加写模式等概念几乎成为了分布式

Fully Convolutional Networks for semantic Segmentation（深度学习经典论文翻译）

摘要 卷积网络在特征分层领域是非常强大的视觉模型.我们证明了经过端到端.像素到像素训练的卷积网络超过语义分割中最先进的技术.我们的核心观点是建立"全卷积"网络,输入任意尺寸,经过有效的推理和学习产生相应尺寸的输出.我们定义并指定全卷积网络的空间,解释它们在空间范围内dense prediction任务(预测每个像素所属的类别)和获取与先验模型联系的应用.我们改编当前的分类网络(AlexNet [22] ,the VGG net [34] , and GoogLeNet [35] )到完

推荐系统——（一）经典论文文献及业界应用

转: http://www.360doc.com/content/14/0315/11/14268060_360747574.shtml http://semocean.com/%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F%E7%BB%8F%E5%85%B8%E8%AE%BA%E6%96%87%E6%96%87%E7%8C%AE%E5%8F%8A%E8%B5%84%E6%96%99/ 列了一些之前设计开发百度关键词搜索推荐引擎时, 参考过的论文, 书籍, 以及调研过的

《转》推荐系统经典论文文献及业界应用

转载自http://semocean.com 列了一些之前设计开发百度关键词搜索推荐引擎时, 参考过的论文, 书籍, 以及调研过的推荐系统相关的工具:同时给出参加过及未参加过的业界推荐引擎应用交流资料(有我网盘的链接), 材料组织方式参考了厂里部分同学的整理. 因为推荐引擎不能算是一个独立学科,它与机器学习,数据挖掘有天然不可分的关系,所以同时列了一些这方面有用的工具及书籍,希望能对大家有所帮助. Survey方面的文章及资料 Adomavicius G, Tuzhilin A. Toward

分布式系统领域经典论文翻译集

分布式领域论文译序 sql&nosql年代记 SMAQ:海量数据的存储计算和查询 一．google论文系列 1.      google系列论文译序 2.      The anatomy of a large-scale hypertextual Web search engine (译 zz) 3.      web search for a planet :the google cluster architecture(译) 4.      GFS:google文件系统 (译) 5.  

人脸表情识别经典论文

主要是重点研究了四篇人脸表情识别的paper.分别是一篇中文中文文献:2006年清华大学朱健翔发表在<光电子·激光>上面的文章<结合Gabor特征与Adaboost的人脸表情识别>.三两篇外文文献:2014CVPR上面的文章<Facial Expression Recognitionvia a Boosted Deep Belief Network>和06年CVPR上的文章<3D Facial ExpressionRecognition Based on Prim