一起读懂支持向量机-最清晰易懂的SVM解读视频上线了

Posted 2021-04-26 SIGAI

支持向量机在机器学习领域与发展历史上具有举足轻重的地位，也是校招、社招技术面试时的高频问题所在地。由于对数学知识有较高的要求，要真正理解和掌握支持向量机并不容易，之前被群友戏称为传统机器学习算法的珠峰。进过长期的精心准备，SIGAI的支持向量机解读小视频今天终于上线啦，我们将用最清晰、有条理、易懂的讲解，带你真正掌握SVM的精髓。

 

整个小视频系列包括：

购买指南

以上SVM小视频解读系列

今日全部半价

安卓用户：可直接点击微信小程序页面购买

ios用户： 登陆www.sigai.cn购买

在这7个视频中，我们将细致的为你推导支持向量机的整个原理与实现，从线性分类器讲起，到多分类问题为止。

看完之后，你将会理解：

超平面是怎样对二分类问题进行分类的？什么是规范化分类超平面？

怎样由点到超平面的距离公式导出支持向量机的原问题？

原问题求解有什么困难？为什么要转化成对偶问题？

拉格朗日对偶的原理，弱对偶与强对偶，Slater条件

SVM原问题是凸优化问题的证明，满足Slater条件的证明

将原问题转化为对偶问题的过程

通过使用松弛变量和惩罚因子，将SVM扩展到线性不可分的问题

线性不可分的SVM原问题是凸优化问题，满足Slater条件的证明

如何将线性不可分的SVM原问题转化为对偶问题，对偶问题是凸优化问题的证明

KKT条件在SVM中的使用，详细的推导，应用点介绍

通过核函数，将SVM转化为非线性问题

SMO算法的思想，核心步骤，包括：子问题的求解推导，优化变量的选择，收敛性证明，子问题是凸优化问题的证明

b值的计算

多分类问题的解决办法

整体推导思路的总结，让你纵观全局，不再困惑

libsvm库的介绍，使用讲解

svm实际使用时需要注意的问题，优缺点总结

在讲解过程中，结合实验，让算法不再抽象

 

看完之后，你将不再困惑！所能得到的，不仅是通过技术面试，而是长期受用的知识。