Punteros a algún buen Tutorial de SVM

Question

He intentado comprender los conceptos básicos de Support Vector Machines y he descargado y leído muchos artículos en línea. Pero todavía no soy capaz de comprenderlo.

Me gustaría saber, si hay alguna

• buen tutorial
código
• muestra de que se puede utilizar para la comprensión de

o algo así, que se pueda imaginar, y que me permitirá aprender Conceptos básicos de SVM fácilmente.

PD: De alguna manera logré aprender PCA (Análisis de Componentes Principales). Por cierto, ustedes habrían adivinado que estoy trabajando en Machine Learning.

Answer 1

La recomendación estándar para un tutorial en SVMs es A Tutorial on Support Vector Machines for Pattern Recognition por Christopher Burges. Otro buen lugar para aprender sobre SVM es el Machine Learning Course en Stanford (las SVM se tratan en las clases 6-8). Ambos son bastante teóricos y pesados ​​en las matemáticas.

En cuanto al código fuente; SVMLight, libsvm y TinySVM son todos de código abierto, pero el código no es muy fácil de seguir. No los he mirado muy de cerca, pero la fuente de TinySVM es probablemente la más fácil de entender. También hay una implementación de pseudocódigo del algoritmo SMO en this paper.

Answer 2

A practical guide to SVM classification para libsvm
PyML Tutorial para PyML Creo 1 es práctico para el uso, 3 es claro para la comprensión.

Answer 3

Suponiendo que conozca los conceptos básicos (por ejemplo, clasificadores de margen máximo, la construcción de un kernel), resuelva Problem Set 2 (handout #5) de ese curso de aprendizaje automático de stanford. Hay claves de respuesta & él te mantiene a mano durante todo el proceso. Use Lecture notes 3 & video #7-8 como referencias.

Si no conoce los conceptos básicos, mire videos anteriores.

Answer 4

Me gustaría obtener una copia de R, instalar el paquete e1071 que se ajusta muy bien libsvm, y tratar de obtener buenos resultados en sus conjuntos de datos favoritos.

Si acaba de descifrar PCA, podría ser informativo observar datos con muchos más predictores que casos (por ejemplo, perfiles de expresión génica de microarreglos, series de tiempo, espectros de química analítica, etc.) y comparar la regresión lineal en el Predictores de PCA con SVM en predictores crudos.

Hay muchas referencias excelentes en las otras respuestas, pero creo que es valioso jugar con la caja negra antes de leer lo que hay adentro.

Answer 5

Un montón de conferencias de vídeo en SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

encontré el uno por Colin Campbell a ser muy útil.

Answer 6

Este es el tutorial de un muy buen principiante en SVM:

SVM explained

siempre pensé tutorial recomendado por StompChicken era un poco confuso en la forma en que entrar de lleno en hablar de los límites y las estadísticas de VC y tratando de encuentra la máquina óptima y tal. Sin embargo, es bueno que ya comprenda los conceptos básicos.