数据挖掘中的新方法：支持向量机

序言
符号表
第1章 最优化问题及其基本理论
1.1 最优化问题
1.2 最优性条件
1.3 对偶理论
1.4 注记
参考文献
第2章 求解分类问题和回归问题的直观途径
2.1 分类问题的提出
2.2 线性分类学习机
2.3 支持向量分类机
2.4 线性回归学习机
2.5 支持向量回归机
2.6 注记
参考文献
第3章 核
3.1 描述相似性的工具——内积
3.2 多项式空间和多项式核
3.3 Mercer核
3.4 正定核
3.5 核的构造
3.6 注记
参考文献
第4章 推广能力的理论估计
4.1 损失函数和期望风险
4.2 求解分类问题的一种途径和一个算法模型
4.3 VC维
4.4 学习算法在概率意义下的近似正确性
4.5 一致性概念和关键定理
4.6 结构风险最小化
4.7 基于间隔的推广估计
4.8 注记
参考文献
第5章 分类问题
5.1 最大间隔原则
5.2 线性可分支持向量分类机
5.3 线性支持向量分类机
5.4 支持向量分类机
5.5 ν-支持向量分类机（ν-SVC）
5.6 ν-支持向量分类机（ν-SVC）和C-支持向量分类机（C-SVC）的关系
5.7 多类分类问题
5.8 一个例子
5.9 注记
参考文献
第6章 回归估计
6.1 回归问题
6.2 ε-支持向量回归机
6.3 ν-支持向量回归机
6.4 ε-支持向量回归机（ε-SVR）与ν-支持向量回归机（ν-SVR）的关系
6.5 其他形式的支持向量回归机
6.6 其他形式的损失函数
6.7 一些例子
6.8 注记
参考文献
第7章 算法
7.1 无约束问题解法
7.2 内点算法
7.3 求解大型问题的算法
7.4 注记参考文献
第8章 应用
8.1 模型选择问题
8.2 分类问题的线性分划中的特征选择
8.3 模型选择
8.4 静态图像中球的识别
8.5 自由曲面的重建问题
8.6 应用简介
8.7 核技巧的应用
8.8 注记
参考文献
附录A 基础知识
A.1 基本定义
A.2 梯度和Hesse矩阵
A.3 方向导数
A.4 Taylor展开式
A.5 分离定理
附录B Hilbert空间
B.1 向量空间
B.2 内积空间
B.3 Hilbert空间
B.4 算子、特征值和特征向量
附录C 概率
C.1 概率空间
C.2 随机变量及其分布
C.3 随机变量的数字特征
C.4 大数定律
附录D 鸢尾属植物数据集
英汉术语对照表