会计学目录的地位和作用的数学基础SLT&SVM所坚持的“基本信念”与传统方法的区别SLT&SVM集以下模型于一身：8.2SLT中的基本概念统计学习理论中的基本概念（续）8.3统计学习理论的发展简况SLT的发展简况(续)8.4统计学习理论的基本内容机器学习的基本问题学习问题的表示机器学习的基本问题三类基本的机器学习问题上述原则意味着，当解决模式识别或回归估计问题时，必须设法去“直接”寻找待求的函数，而不是首先估计密度，然后用估计的密度来构造待求的函数。密度估计是统计学中的一个全能问题，即知道了密度就可以解决各种问题。一般地，估计密度是一个不适定问题(ill-posedproblem)，需要大量观测才能较好地解决。实际上，需要解决的问题（如决策规则估计或回归估计）是很特殊的，通常只需要有某一合理数量的观测就可以解决。经验风险最小化原则经验风险最小化复杂性与推广能力用三角函数拟合任意点学习的示例复杂性与推广能力（续）8.5统计学习理论的核心内容VC维(函数的多样性)/VC维（续）VC维（续）三个里程碑定理推广性的界推广性的界（续1）推广性的界（续2）结构风险最小化结构风险最小化（续1）结构风险最小化（续2）8.6支持向量机概述支持向量机概述支持向量机理论支持向量机理论（续1）广义最优分类面广义最优分类面（续1）广义最优分类面（续2）广义最优分类面（续3）一个简单的例子：/支持向量机高维空间中的最优分类面Mercer条件支持向量机支持向量机核函数支持向量机实现支持向量机实现8.7研究现状应用研究SVM与神经网络（NN）的对比“我们必须从一开始就澄清一个观点，就是如果某事不是科学，它并不一定不好。比如说，爱情就不是科学。因此，如果我们说某事不是科学，并不是说它有什么不对，而只是说它不是科学。”——byR.FeynmanfromTheFeynmanLecturesonPhysics,Addison-Wesley同理，与SVM相比，NN不像一门科学，更像一门工程技巧，但并不意味着它就一定不好！主要应用领域支持向量机研究支持向量机算法研究支持向量机算法研究（续1）支持向量机算法研究（续2）支持向量机算法研究（续3）总结课后编程实现题目（二选一）：主要参考文献：IntroductiontoSupportVectorMachine.VapnikVN.著，张学工译.统计学习理论.人民邮电出版社.张学工.关于统计学习理论与支持向量机.自动化学报,2000年第1期.史朝辉.SVM算法研究及在HRRP分类中的应用.空军工程大学硕士学位论文,2005.THANKSFORYOURPRESENCE!