Learning with Fractional Orthogonal Kernel Classifiers in Support Vector Machines

Das Buch "Learning with Fractional Orthogonal Kernel Classifiers in Support Vector Machines" bietet eine umfassende Analyse von Support-Vektor-Algorithmen aus verschiedenen Perspektiven. Es behandelt die mathematischen Grundlagen und die Eigenschaften klassischer Kernel-Funktionen wie Chebyshev, Legendre, Gegenbauer und Jacobi. Ein zentrales Thema sind die orthogonalen Kernel-Funktionen, deren fraktionale Formen in mehreren Kapiteln eingeführt werden. Um die Anwendung dieser Kernel-Funktionen zu erleichtern, wird ein Tutorial zu einem Python-Paket namens ORSVM bereitgestellt. Darüber hinaus werden verschiedene Anwendungen der Support-Vektor-Algorithmen vorgestellt, die nicht nur für die Klassifikation, sondern auch zur Lösung von gewöhnlichen, partiellen, integro- und fraktionalen Differentialgleichungen eingesetzt werden. Angesichts des wachsenden Bedarfs an Echtzeit- und Big-Data-Anwendungen wird auch die Parallelisierung der Support-Vektor-Algorithmen mithilfe der Compute Unified Device Architecture (CUDA) behandelt. Das Buch richtet sich an Forscher im Bereich des maschinellen Lernens und der wissenschaftlichen Berechnungen und bietet wertvolle Einblicke in die Nutzung fraktionaler orthogonaler Kernel-Funktionen.