《支持向量机SVM》课件.ppt

支持向量机（SVM）导论;机器学习中的位置与意义;SVM的发展历史;SVM的基本思想;适用场景和应用范畴;线性可分数据简介;线性SVM数学模型;间隔与最大间隔原理;支持向量的定义;SVM优化目标;拉格朗日对偶问题;KKT条件简介;线性可分SVM算法推导;SVM模型的几何解释;支持向量点的作用;线性不可分的情况;软间隔SVM概念;松弛变量的引入与意义;软间隔SVM优化目标;SVM损失函数;对偶空间进一步推广;核方法简介;核函数的基本原理;常见核函数类型（1）;常见核函数类型（2）;核函数的选择与应用;牛刀小试：核SVM示例;SVM参数C与γ调优;超参数调优方法;SVM多分类扩展;SVM回归（SVR）简介;SVM稀疏性与泛化能力;SVM与感知机算法的比较;SVM与神经网络的对比;SVM的优势;SVM的局限性;常见SVM改进方法;SMO算法详解;SVM处理大规模数据策略;SVM常用开源库简介;SVM在文本分类中的应用;SVM在图像识别中的应用;SVM应用案例1：垃圾邮件分类;SVM应用案例2：肿瘤良恶性识别;SVM实战：Python代码实现流程;SVM常见问题与答疑;SVM前沿研究进展;SVM相关论文与经典书籍推荐;课程总结与核心知识回顾;谢谢聆听QA