Learning with Fractional Orthogonal Kernel Classifiers in Support Vector Machines

Le livre "Learning with Fractional Orthogonal Kernel Classifiers in Support Vector Machines" offre une analyse complète des algorithmes à vecteurs de support sous différents angles. Il aborde les bases mathématiques et les propriétés des fonctions de noyau classiques telles que Chebyshev, Legendre, Gegenbauer et Jacobi. Un thème central est celui des fonctions de noyau orthogonales, dont les formes fractionnaires sont introduites dans plusieurs chapitres. Pour faciliter l'application de ces fonctions de noyau, un tutoriel sur un paquet Python nommé ORSVM est fourni. De plus, diverses applications des algorithmes à vecteurs de support sont présentées, qui sont utilisées non seulement pour la classification, mais aussi pour résoudre des équations différentielles ordinaires, partielles, intégrales et fractionnaires. Compte tenu de la demande croissante pour des applications en temps réel et de Big Data, la parallélisation des algorithmes à vecteurs de support à l'aide de l'architecture de calcul unifié des dispositifs (CUDA) est également abordée. Ce livre s'adresse aux chercheurs dans le domaine de l'apprentissage automatique et des calculs scientifiques et offre des perspectives précieuses sur l'utilisation des fonctions de noyau orthogonales fractionnaires.