近期找的一些实用资料，关于Learning以及Kernel的

Open Directory - Computers: Artificial Intelligence: Machine Learning: Datasets，e.g. UCI repos。

Statistical Data Mining Tutorials Slides by Andrew Moore，相当全！

support-vector-machines.org，kernel-machines.org，geneticprogramming.com。留意这些站的Software和Tutorial等部分。

Open Directory - Computers: Artificial Intelligence， 条目不少，ANN的资料比较丰富。 

 

关于核方法，贴两篇China-Pub上统计学习理论这本书里面的评论做为参考。数模完国庆节颓废了N天，希望这个月以后我能算入个门。 

echoes的评论

阅读过了统计学习以及支持向量机的国内外基本比较重要的书。在这里说说自己的看法。
1、支持向量机导论，太老，而且翻译也不是太好，不建议看。
2、统计学习理论的本质，好像再版了，英文版我是没看过，
但是中文版看得都是一头雾水，经典，但是却不是入门时可以看的。建议收藏以后再看。
3、统计学习理论，不错，对统计学习理论介绍的够详细，有些人喜欢看原文，但从我个人的观点看宁愿看翻译版，翻译得也不错，第一作者许建华我不认识，但是应该是南京的老师，曾经在清华上博士，研究这一方向。开始看不懂的地方不用太追究，需要慢慢琢磨。建议收藏，和本质一书可以同时研究。
4、数据挖掘中的新方法：支持向量机，强烈建议支持向量机的入门书籍。个人感觉不错，不像老瓦的书，一开始就给你介绍统计学习那些深奥的知识，这本书从最基础的优化开始讲起，然后用一些浅显易懂的知识（当然不一定非常严谨）来介绍SVM以及相关知识。建议入门书籍。
5、Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond，感觉没有什么特别的地方，只有正则化部分还值得一看，当然，个人看法，国内没有翻译版，北图和清华的阅览室有，但是北图借不出来，如果有条件则到清华借出复印之。建议作为参考书，别的书籍没讲明白或者没讲的地方可以参考该书。
6、Kernel Methods for Pattern Analysis，关于核函数的第三部分非常不错，将前几年提出的各种核函数基本全部包括，如果研究核函数则可以将其作为参考书，正好机工出了英文版，不过纸张质量太差，不知为何？难道是盗版的。建议有需要的人可以收藏。
7、Learning to classify text using support vector machines没看过，但是从名字上可以看出来偏向于文本分类，无法作出建议，有需要的人可以借来看看。

airsmth_lh的评论

echoes的评论被发到很多地方，个人认为错误众多。
1、支持向量机导论，此书乃是SVM方面的经典著作，该书的作者也是近年来SVM、kernel methods学术圈内的活跃学者，对于这些领域均有过重要的贡献。这本书从“线性机器、核方法、统计学习理论、凸优化”四个方面揭示了SVM的内在机理--利用核使得能够使用线性的的方法发现数据中的非线性关系，并且利用统计学习理论保证学习机器的泛化性能。这些SVM的内在机理并没有发生重大的改变，何来太老之说。
2、统计学习理论的本质；
3、统计学习理论；
以上两本均是vapnik自六十年代以来的工作的总结，前者在概念上给出统计学习理论的介绍，后者则给出了证明。vapnik的目标在于创建小样本统计学。其三十年如一日的苦苦追寻令人感动（60年代开始老瓦的工作一直不被重视，直到SVM的出现）。两本书的翻译都是十分优秀的。张学工老师据我所知在其博士期间就开始关注SVM方面的工作，他是最早介绍统计学习理论到中国的学者。也是国内SVM最好的学者之一
4、数据挖掘中的新方法：支持向量机。
很多人推荐这本书，但这本书实在不敢恭维。由于该书作者的背景，该书作者倾向于从最优化的角度介绍SVM，这当然远远偏离了SVM的核心。书中还加入了作者的工作，但据我所知这部分工作根本没有得到承认（几乎没有被引用过）。至于对SVM的介绍则大量来自于经典（1，2，3）
5、Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond
真不知道echoes看不看文献，这本书大约被引用2000余次（顺便讲一下，4、数据挖掘中的新方法：支持向量机引用5次，来自google学术），至于该书作者Schö；lkopf，他的工作只怕近年的SVM、kernel methods方面的文献没有不提到他的。今年的ICML(国际机器学习顶级会议)schö；lkopf是Invited Speakers，报告题目是“Thoughts on Kernels”。这本书意义深远，还给出了大量的习题，实在不容错过。
6、Kernel Methods for Pattern Analysis
支持向量机导论的作者的又一部著作，讨论模式识别方法的新框架“核方法”。经典。
7、Learning to classify text using support vector machines
echoes说从题目上看，。。。。，真服了他，不知道就不要乱来啊。SVM理论上近乎完美，但仍然要通过实际应用的考验，文本分类就是最早体现SVM的领域之一（另一个是手写数字识别）。该书作者更是SVM领域的大牛，他开发了SVM最好的算法包SVM Light。近年来SVM算法的每一次重大优化，几乎都是由他发起。
如果仅仅为了使用SVM，看看台湾人的LibSVM半小时就可以学会使用，马上就能处理数据（分类、回归）。如果想尽快了解SVM的机理，1、支持向量机导论则是首选，如果希望了解核方法及SVM，5、Learning with Kernels: Support Vector Machines, Regularization,Optimization, and Beyond，决不能错过。

 

PS：上传一个Learning.with.Kernels，这本电子书不好下，好不容易找到能下的还是扫描版。。搞不懂国内咋不引进这本书，难道名字没那些主打SVM的吸引人？