Kernel Methods入门~

昨天跑去耍了GE的Family Day，搞实业大公司福利就是好啊。。

好回到主题，通过俺几天来的阅读，终于对核函数这个东东有了稍微清晰点的认识。
现阶段个人认为，在实现上把他看做是在原数据的基础上，计算特征空间里两个数据向量的内积的值的函数就行了。
它的意义呢？使得能够使用线性的的方法发现数据中的非线性关系，并且保证学习机器的泛化性能，NB吧呵呵~

前天还做了个PPT Kernel Methods 快速入门，和大家讨论了一下，个人觉得讲得挺成功~
照着Kernel Methods for Pattern Analysis第二章做的，相当的入门，但是看了也能让不了解这个领域的人对核方法有个直观的认识了。放在这里，以备需要~

憋小论文啊，为啥这个东西对我就那么痛苦呢。。

 

Update 2008.10.21：补充PPT里面漏掉的很重要的一点，多数线性学习机器的解都存在对偶表示形式，而对偶表示的一个重要性质就是数据仅作为Gram矩阵的项出现！