关于支持向量机
在支持向量机（SVM）的学习中也算过了一年多些时候了，记得开始接触是在去年现在的早些时候，那时做的毕业设计的题目就是与这个相关，只不过应用的背景是图像处理一块的内容。
学习总是由浅入深的过程，看了点点的知识，然后就拍脑袋搞起了“创新”（真是有点像一位愤青的老师说的：一拍脑袋这就算是智能了。。。）。
研究生就一直做了下来，真正算起就是这么一年的时间，认识的实在是肤浅短少。
一开始用的是Matlab自带的支持向量机工具箱，而且还是用里面的QP算法进行求解，稍微大一点的数据集进行训练，立马就不行了。也怪当时对于Matlab学的不咋地，对于其工具箱的精髓也没有怎么深挖，于是最终做出来的本科毕业设计就那么半身不遂了。。。
这第一年初，又在不同的方向上面迂回了两三个月，迟迟没有进展，反正每天接触的都是一些新知识，基本上都是半监督里面的一些东西。（基本上看完了也就忘完了，只怪当时没有仔细地做个笔记）
真正开始写东西的时候，又掉头来找SVM，这毕竟还熟悉些（一直对此念念不忘的主要是因为当时毕业设计时候，还有几个疙瘩没有解开）。SVM提出来也都算是跨世纪的时间了，虽然是上个世纪末提出来的，但是至今也算小有年头了，不过一直还是当做新颖的东西被国人咀嚼。提出来SVM的大神Vapnik著作《统计学习理论》[1]，其实早就买了，就是一直没有勇气读完，每天只把它们供着，算是祭奠祖师爷了。（阴暗一点，国内估计很少有人仔细了解过这本书，要不也不会出这么多不堪入目的论文出来，遗祸万年）。
在学习应用过程中，首推林智仁编写的libsvm工具箱（至今尚未发现有多少的支持向量机的工具箱能够比这个有所优越的，而且其小组在相关领域所积累的经验也的确算得上是雄厚）。
相关在此工具箱的应用上面有所成就的国内还真不少，像Matlab论坛里的faruto等生，在应用上面还是做了一系列的推广普及工作。
在其内核代码的结构上，像上海交大的刘君写的《libsvm-2[2].8程序代码导读》值得需要仔细研究的人进一步去学习。
[1] V. N. Vapnik, Statistical Learning Theory: John Wiley&Sons, 1998.
优质内容筛选与推荐>>1、元数据流程管理思考
2、流行iOS网络通信库AFNetworking曝SSL漏洞，影响银联、中国银行、交通银行在内的2.5万个iOS应用
3、沪江：ReactNative三端融合应用实践
4、Linux命令（20）——cat命令
5、春游模式|VR过山车了解一下？