¿Cuáles son algunos buenos libros / documentos sobre aprendizaje kernelized, en general y especialmente con SVM?

Libros relacionados con los métodos del núcleo:

1. Aprendiendo con Kernels, por Scholkopf, Smola

2. Métodos del núcleo para el análisis de patrones: John Shawe-Taylor, Nello Cristianini: 9780521813976: Amazon.com: Libros

Debe leer los documentos del método Kernel:

1. Análisis de componentes principales del núcleo
2. http://courses.cs.tamu.edu/rguti …

Los dos documentos no están relacionados con SVM. El primer artículo presenta PCA kernelized, el segundo artículo presenta LDA kernelized. Puede ser una buena idea mirar estos dos documentos para ver cómo hacen las personas para kernelizar un modelo lineal. Hace una década, kernelizing modelos lineales estaba de moda en Machine Learning. Ahora, casi todos los modelos lineales ya se han kernelizado. Sin embargo, si está proponiendo un nuevo modelo lineal, es posible que también quiera proponer su versión kernelized.

Una referencia general de buena lectura sobre los métodos del núcleo:

Christoph H. Lampert (2009), “Métodos del núcleo en la visión por computadora”, Fundamentos y tendencias® en gráficos por computadora y visión: vol. 4: N ° 3, págs. 193-285. Métodos de kernel en visión artificial

Es posible que desee leer esta respuesta: la respuesta de Shehroz Khan a ¿Dónde puedo encontrar un enfoque matemático completo para la clasificación usando SVM?

Libro – Si está buscando materiales introductorios, entonces soporte Vector Machines