有关SVM(支持向量机)技术与资料的讨论
浏览：136950 回答：3
SVM(支持向量机)是当前优化领域的一个研究热点.
以下贴出一些相关资料,以对致力于或进行这方面学习和研究的人有所用.并期望能引发大家的讨论——可发表见解，可跟贴相关资料(进行简要介绍)，以便能形成一个问题的资料的汇总。发表见解及资料者，版主可给于适当加分。
基于数据的机器学习是现代智能技术中的重要方面，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。
支持向量机方法的几个主要优点有：
1. 它是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；
2. 算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；
3. 算法将实际问题通过非线性变换转换到高维的特征空间(Feature Space)，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的。
附相关资料，以抛砖引玉。
以下贴出一些相关资料,以对致力于或进行这方面学习和研究的人有所用.并期望能引发大家的讨论——可发表见解，可跟贴相关资料(进行简要介绍)，以便能形成一个问题的资料的汇总。发表见解及资料者，版主可给于适当加分。
基于数据的机器学习是现代智能技术中的重要方面，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。
支持向量机方法的几个主要优点有：
1. 它是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；
2. 算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；
3. 算法将实际问题通过非线性变换转换到高维的特征空间(Feature Space)，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的。
附相关资料，以抛砖引玉。
![ANSYS/ABAQUS使用(带孔平板拉伸实例)[初识有限元CAE分析]](https://img.jishulink.com/cimage/0c683776c596fd2f7dde46fd773a666b_cdn.jpg?image_process=resize,fw_576,fh_320,)
http://www.support-vector.cn/course/