支持向量机导论（英文版）

　　1. The learning methodology;
　　1.1 Supervised Learning
　　1.2 Learning and Generalisation
　　1.3 Inproving Generalisation
　　1.4 Attractions and Drawbacks of Learning
　　1.5 Support Vector Machines for  Learning
　　1.6 Exercises
　　1.7 Further Reading and Advanced Topics
　　2. Linear learning machines;
　　2.1 Linear Classification
　　2.2 Linear Regression
　　2.3 Dual Representation of Linear Machines
　　2.4 Exercises
　　2.5 Further Reading and Advanced Topics
　　3. Kernel-induced feature spaces;
　　3.1 Learning in Feature Space
　　3.2 The Implicit Mapping into Feature Space
　　3.3 Making Kernels
　　3.4 Working in Feature Space
　　3.5 Kernels and Gaussian Processes
　　3.6 Exercises
　　3.7 Further Reading and Advanced Topics
　　4. Generalisation theory;
　　……
　　5. Optimisation theory;
　　6. Support vector machines;
　　7. Implementation techniques;
　　8. Applications of support vector machines;
　　Pseudocode for the SMO algorithm;
　　Background Mathematics;
　　Index.

　　Nello Cristianini 先后在意大利的里雅斯特大学、英国伦敦大学皇家豪勒威学院、英国布里斯投大学、美国加州大学圣克鲁兹分校学习。他是支持向量机与其他学习系统的理论与应用方面卓有成就的年青研究人员，在各种杂志和国际学术会议上发表了许多有关这一领域的论文。
　　John Shawe-Taylor  先后在英国剑桥大学、位于斯洛文尼亚的卢布尔雅那大学、加拿大西蒙·弗雷泽大学、英国伦敦大学帝国学院、英国伦敦大学皇家豪勒威学院学习。他发表了许多有关学习系统以及离散数学和计算机科学等领域的论文。他是英国伦敦大学皇家勒威学院计算科学系教授，同时还是由16年大学共同成立的欧洲合作基金的协调者，该基金是为了研究神经学习和计算学习。

　　本书为全英文读物，对机器学习和数据挖掘的重要发展领域进行了全面的介绍，展现了一个主要由Vladimir Vapnik创立的统计学习理论的全新领域，它以正则化技术的研究成果为基础，在数学方法和应用技术两个方面都可能成为一座真正的科学金矿。书中条理清晰，逻辑严密，是值得数学家和工程师一读的读物。
　　支持向量机 （Support Vector Machine， SVM） 是建立在统计学理论新进展基础上的新一代学习系统。本书是第1本全面介绍支持向量机的著作。支持向量机是在20世纪90年代初提出的，随之引发了对这种技术的广泛应用和深入理论分析。至今在若干实际应用 （如文本编目、手写字符识别、图像分类和生物进化链分析等）中，支持向机量足以提供学习性能，而且在机器学习与数据挖掘中已被确立为一种标准工具。学生将会发现本书不仅对他们具有激励作用，同时也很容易理解；对于专业人员而言，本书可以引导他们轻松自如地获得为掌握理论及其应用所需的材料。本书以循序渐进的、自含的、易于接受的方式引入各种概念，而且论述严谨透彻。本书所提供的参考文献和可以下载软件的网站将会成为读者进一步学习的起点。同样，本书及相关网站将引导专业人员了解新文献、新应用和在线软件。