第 1 集从线性分类器到最大化分类间隔

• 1.1 内容简介
• 1.2 支持向量机简介
• 1.3 线性分类器
• 1.4 分类间隔
• 1.5 最大化分类间隔
• 1.6 线性可分时的原问题
• 1.7 凸优化的证明
• 1.8 实验

第 2 集拉格朗日对偶

• 2.1 简介
• 2.2 拉格朗日对偶简介
• 2.3 原问题
• 2.4 原问题与原始问题等价性的证明
• 2.5 对偶问题
• 2.6 弱对偶定理
• 2.7 弱对偶的解释
• 2.8 强对偶与Slater条件
• 2.9 原问题满足Slater条件的证明
• 2.10 SVM对偶问题简介
• 2.11 SVM对偶问题的推导
• 2.12 对偶问题的表述
• 2.13 支持向量的解释

第 3 集线性不可分的问题

• 3.1 简介
• 3.2 线性不可分的问题
• 3.3 松弛变量与惩罚因子
• 3.4 线性不可分的原问题
• 3.5 满足Slater条件的证明
• 3.6 对偶问题的推导
• 3.7 对偶问题的表述
• 3.8 对偶问题是凸优化问题的证明
• 3.9 实验与解释

第 4 集核映射与核函数

• 4.1 简介
• 4.2 线性模型的局限性
• 4.3 核映射
• 4.4 核映射后的支持向量机
• 4.5 核函数
• 4.6 常用的核函数
• 4.7 Mercer条件
• 4.8 核函数的优缺点
• 4.9 实验

第 5 集KKT条件的使用

• 5.1 简介
• 5.2 拉格朗日乘数法
• 5.3 KKT条件
• 5.4 KKT条件用于原问题
• 5.5 三种类型的变量
• 5.6 b值的计算

第 6 集SMO算法

• 6.1.简介
• 6.2 SVM对偶问题回顾
• 6.3 求解对偶问题的困难
• 6.4 SMO算法简介
• 6.5 子问题的推导
• 6.6 可行域的推导
• 6.7 二次函数极值在区间内的极值
• 6.8 子问题的求解公式推导(1)
• 6.9 子问题是凸优化的证明
• 6.10 SMO算法收敛性的证明
• 6.11 优化变量的选择
• 6.12 完整的SMO算法
• 6.13 实现细节问题

第 7 集实现细节问题与总结

• 7.1 简介
• 7.2 多分类问题
• 7.3 一对剩余方案
• 7.4 一对一方案
• 7.5 libsvm简介
• 7.6 训练程序
• 7.7 预测程序
• 7.8 模型训练
• 7.9 模型预测
• 7.10 使用时的细节问题
• 7.11 SVM推导思路的总结
• 7.12 SVM优缺点总结