统计学习理论

图书标准信息

• 作者 Vladimir N.vapnik
• 出版社 水利电力出版社
• 出版时间 2004-06
• 版次 1
• ISBN 9787120000509
• 定价 59.00元
• 装帧 平装
• 开本 其他
• 纸张 胶版纸
• 页数 559页
• 字数 934千字

【内容简介】

　　 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。

【作者简介】

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

【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全计

 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9章 感知器及其推广

 第10章 估计指示函数的支持向量方法

 第11章 估计实函数的支持向量方法

 第12章 模式识别的支持向量机

 第13章 函数逼近、回归估计和信号处理的支持向量机

第三部分 学习理论的统计学基础

 第14章 频率一致收敛于概率的充分必要要件

 第15章 均值一致收敛于期望的充分必要条件

 第16章 均值一致单边收敛于期望的充分必要条件

注释与参考文献评选

参考文献

中英文术语对照表