统计学习理论
出版社:第1版 (2004年1月1日)
出版日期:2004-6-1
ISBN:9787120000509
作者:Vladimir N.vapnik
页数:594页
内容概要
Vladimir N.Vapnik于1990年加入美国AT&T贝尔实验室，现仍担任顾问，1995年起任英国Royal Holloway大学计算机和统计学教授。Vapnik教授从事计算机科学、理论与应用统计学研究已有30多年，发表了7部学术著作和上百篇研究论文。他的主要学术成就是研究发展了一套基于经验数
书籍目录
引论：归纳和统计推理问题
第一部分 学习和推广性理论
第1章 处理学习问题的两种方法
第1章附录 解不适定问题的方法
第2章 概率测度估计与学习问题
第3章 经验风险最小化原则一致性的条件
第4章 指示损失函数风险的界
第4章附录 关于ERM原则风险的下界
第5章 实损失函数风险的界
第6章 结构风险最小化原则
第6章附录 基于间接测量的函数估计
第7章 随机不适定问题
第8章 估计给定点上的函数值
第二部分 函数的支持向量估计
……
第三部分 学习理论的统计学基础
……
注释与参考文献评述
参考文献
中英文术语对照表
作者简介
统计学习理论是研究利用经验数据进行机器学习的一种一般理论，属于计算机科学、模式识别和应用统计学相交叉与结合的范畴，其主要创立者是本书的作者Vladimir N. Vapnik。统计学习理论的基本内容诞生于20世纪60~70年代，到90年代中期发展到比较成熟并受到世界机器学习界的广泛重视，其核心内容反映在Vapnik的两部重要著作中，本书即是其中一部，另一部是“The Nature of Statistical Learning Theory”（《统计学习理论的本质》）。 由于较系统地考虑了有限样本的情况，统计学习理论与传统统计学理论相比有更好的实用性，在这一理论下发展出的支持向量机（SVM）方法以其有限样本下良好的推广能力而备受重视。
本书是对统计学习理论和支持向量机方法的全面、系统、详尽的阐述，是各领域中研究和应用机器学习理论与方法的科研工作者和研究生的重要参考资料。
图书封面
发布书评
精彩短评 (总计14条)
-
没啥用 -
对于一般读者来说，内容太深了 -
its better to read the English vision. -
Vapnik的学习理论，是这个时代的经典作品。对于研究机器学习理论，统计学习方面的研究人员而言，不了解SVM，不了解统计学习，是件很可惜的事情。不管是计算机的，还是搞统计的，还是应用数学的，我想都很有必要了解这本书，了解学习理论。SVM它不仅仅是关于分类器的算法，它更可以从一个哲学的高度来看，我们现在的研究推理思维。 -
和很多经典教材一样，不易读懂~ -
教材 -
不能更牛了。。。 -
怎么说呢，图书馆借了3次。最后仍是停留在“经验风险最小化原则”这一章。 -
此书是一本非常经典的好书，由这门理论的创始人编著，但国内对它的研究很匮乏，主要原因我想就是看懂这本书需要有非常深厚的数学功底，否则看它基本就是看天书，太晦涩了。 -
这本书cover了现在很多书的内容 -
给高分的全是看不懂的 -
超级难。。 -
统计学习理论与统计学习理论的本质一起读，用了差不多10多天的时间，部分证明很多都跳过，但大概看过并不难理解。 书中的思路很清晰，而且很对称很完美，终于令我对学习理论有了新的理解，廓然一心的感觉，真心不错。 -
对矩阵的运算要求很高，需要再加强矩阵运算的理解