Ulteriori informazioni
Informationen zum Autor Vladimir Naumovich Vapnik is one of the main developers of the Vapnik-Chervonenkis theory of statistical learning, and the co-inventor of the support vector machine method, and support vector clustering algorithm. Klappentext Dieses Buch widmet sich der statistischen Theorie des Lernens und der Verallgemeinerung - das heißt, dem Problem der Auswahl der gewünschten Funktion auf der Basis empirischen Datenmaterials. Anwendung findet die Theorie auf vielen verschiedenen Gebieten - in neuronalen Netzwerken, Fuzzy-Logic-Systemen und künstlicher Intelligenz - beispielsweise in der Psychologie und der Informationswissenschaft. (8/98) Zusammenfassung Dieses Buch widmet sich der statistischen Theorie des Lernens und der Verallgemeinerung - das heißt, dem Problem der Auswahl der gewünschten Funktion auf der Basis empirischen Datenmaterials. Anwendung findet die Theorie auf vielen verschiedenen Gebieten - in neuronalen Netzwerken, Fuzzy-Logic-Systemen und künstlicher Intelligenz - beispielsweise in der Psychologie und der Informationswissenschaft. (8/98) Inhaltsverzeichnis Preface xxi Introduction: The Problem of induction and Statistical inference 1 I Theory of learning and generation 1 Two Approches to the learnig problem 19 Appendix to chapter 1: Methods for solving III-posed problems 51 2 Estimation of the probability Measure and problem of learning 59 3 Conditions for Consistency of Empirical Risk Minimization Principal 79 4 Bounds on the Risk for indicator Loss Functions 121 Appendix to Chapter 4: Lower Bounds on the Risk of the ERM Principle 169 5 Bounds on the Risk for Real-valued loss functions 183 6 The structural Risk Minimization Principle 219 Appendix to chapter 6: Estimating Functions on the basis of indirect measurements 271 7 stochastic III-posed problems 293 8 Estimating the values of Function at given points 339 II Support Vector Estimation of Functions 9 Perceptions and their Generalizations 375 10 The Support Vector Method for Estimating Indicator functions 401 11 The Support Vector Method for Estimating Real-Valued functions 443 12 SV Machines for pattern Recognition 493 13 SV Machines for Function Approximations, Regression Estimation, and Signal Processing 521 III Statistical Foundation of Learning Theory 14 Necessary and Sufficient Conditions for Uniform Convergence of Frequencies to their Probabilities 571 15 Necessary and Sufficient Conditions for Uniform Convergence of Means to their Expectations 597 16 Necessary and Sufficient Conditions for Uniform One-sided Convergence of Means to their Expectations 629 Comments and Bibliographical Remarks 681 References 723 Index 733 ...
