支持向量机（SVM）是在统计学习理论的基础上发展起来的新一代学习算法，它在文本分类、手写识别、图像分类、生物信息学等领域中获行较好的应用。本书是第一本综合介绍支持向量机（SVM）的书籍，它从机器学习算法的基本问题开始，循序渐进地介绍相关的背景知识，包括线性分类器、核函数特征空间、推广性理论和优化理论，在此基础上很自然地引出了支持向量机的算法。本书末尾还详细讨论了一系列支持向量机的重要应用及其实现的技巧。本书的叙述清晰严谨，自包含性强，提供的大量相关文献引用以及网站链接可作为进一步学习的理想起始点。本书可作为计算机、自动化、机电工程、应用数学等专业的研究生教材，也可作为神经网络、机器学习、数据挖掘、人工智能等课程的参考教材，同时还是相关领域的教师和研究人员的参考书。

　　一本综合性介绍支持向量机各项标准技术的著作，书中从学习方法到超平面、核函数、泛化性理论、最优化理论，最后总结到支持向量机理论，并介绍了其实现技术和应用。本书的叙述叙序渐进，内容深入浅出，既严谨又易于理解，得以了很多支持向量机研究者的订可。

第1章 学习理论
1.1 监督学习
1.2 学习和泛化性
1.3 提高泛化性
1.4 学习的价值和缺点
1.5 用于学习的支持向量机
1.6 习题
1.7 补充读物和高级主题
第2章 线性学习器
2.1 线性分类
2.2 线性回归
2.3 线性学习器的对偶表示
2.4 习题
2.5 补充读物和高级主题
第3章 核函数特征空间
3.1 特征空间中的学习
3.2 到特征空间的隐式映树
3.3 构造核函数
3.4 特征空间中的计算
3.5 核与高斯过程
3.6 习题
3.7 补充读物和高级主题
第4章 泛化性理论
4.1 可能近似正确学习模型
4.2 VC理论
4.3 泛化性的间隔界
4.4 其他泛化界和幸运度函数
4.5 回归的泛化性
4.6 学习的贝叶斯分析
4.7 习题
4.8 补充读物和高级主题
第5章 最优化理论
第6章 支持向量机
第7章 实现技术
第8章 支持向量机的应用
附录A  SMO算法的伪码
附录B  背景数学