En términos de escala, algunos de los mayores problemas que se han resuelto utilizando SVM (con implementaciones modificadas adecuadamente) son:
1) Publicidad de display (2.300 millones de ejemplos) y reconocimiento de sitios de empalme humano (50 millones de ejemplos, ~ 3 TB de funciones procesadas). Ver http://arxiv.org/pdf/1110.4198v2… y http://hunch.net/?p=2094
2) Reconocimiento del sitio de empalme humano (50 millones de ejemplos) y detección de género basada en imágenes (5 millones de ejemplos). Ver COFFIN: un marco computacional para SVM lineales disponible en http://sonnenburgs.de/soeren/pub…
- ¿Cómo debo seguir el curso de Andrew NG si quiero aprender el aprendizaje automático en Python y cómo debo progresar después de completar el curso?
- ¿Cuáles son las diversas aplicaciones del aprendizaje automático en ciencias de la salud / ciencias de la vida?
- ¿Mejor ejecución de trabajos de Machine Learning directamente desde Pyspark o integración de scikit-learn en, a través del método de paralelización SparkContext?
- ¿Cuál es mejor LMS o descenso más empinado?
- ¿Es posible engañar a un automóvil autónomo para interpretar una señal de alto (como lo percibe el ojo humano) como una señal de velocidad?
3) Clasificación de imagen a gran escala (1,2 millones de ejemplos,> 1 TB de características procesadas). Consulte Clasificación de imágenes a gran escala: extracción rápida de características y capacitación SVM disponible en http://www.dbs.ifi.lmu.de/~yu_k/…
4) PSVM : el solucionador SVM paralelo de código abierto de Google. Consulte http://books.nips.cc/papers/file… y http://code.google.com/p/psvm/