Pointeurs vers de bons tutoriels SVM

Question

J'ai essayé de saisir les bases de Machines à Vecteurs de Support, et de le télécharger et de lire de nombreux articles en ligne. Mais ne suis toujours pas en mesure de le saisir.

Je voudrais savoir, si il y a quelques

• tutoriel de nice
• exemple de code qui peut être utilisé pour la compréhension

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

PS: j'ai réussi à apprendre l'ACP (Analyse en composantes Principales). BTW, les gars, vous l'auriez deviné que je suis en train de travailler sur l'Apprentissage de la Machine.

Answer 1

La recommandation standard pour un tutoriel dans les SVMs est Un Tutoriel sur les Machines à Vecteurs de Support pour la Reconnaissance des formes par Christopher Burges. Un autre bon endroit pour en apprendre davantage sur les SVMs est l' Apprentissage de la Machine de Cours à l'université de Stanford (SVMs sont couverts dans le cadre de conférences 6-8). Ces deux sont tout à fait théorique et forte en maths.

Comme pour le code source; SVMLight, libsvm et TinySVM sont tous open-source, mais le code n'est pas très facile à suivre. Je n'ai pas regardé de très près, mais la source pour TinySVM est probablement le plus facile est de comprendre. Il y a aussi un pseudo-code de mise en œuvre de l'algorithme SMO dans le présent document.

Answer 2

Ceci est un très bon tutoriel pour débutant sur SVM:

http://www.tristanfletcher.co.uk/SVM%20Explained.pdf

J'ai toujours pensé que le tutoriel recommandé par StompChicken était un peu déroutant dans la façon dont ils se mettaient à parler des limites et des statistiques de VC et à essayer de trouver la machine optimale, etc. C'est bien si vous comprenez déjà les bases, cependant.

Answer 3

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

J'ai trouvé celui de Colin Campbell très utile.

Answer 4

Un guide pratique sur la classification SVM pour libsvm
Tutoriel PyML pour PyML Je pense que [1] est pratique à utiliser, [3] est clair pour comprendre.

Answer 5

En supposant que vous connaissez les bases (par exemple max marge de classificateurs, la construction d'un noyau), résoudre le Problème de l'Ensemble 2 (document n ° 5) de cette stanford de la machine en cours d'apprentissage. Il y a des touches de réponse et il tient la main à travers l'ensemble du processus. L'utilisation des notes de cours 3 & vidéo #7-8 comme des références.

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