Nel campo in continua evoluzione della robotica, l'applicazione di tecniche avanzate di apprendimento automatico è fondamentale. "Support Vector Machine", parte della serie Robotics Science, esplora il ruolo delle macchine a vettori di supporto (SVM) nella rivoluzione dei sistemi robotici. Scritto da Fouad Sabry, questo libro fornisce una panoramica completa, dai concetti fondamentali alle tecniche avanzate, essenziale per chiunque sia interessato a sfruttare le SVM per la robotica e l'automazione.

Macchina a vettori di supporto-introduzione alle SVM, evidenziandone l'importanza nelle attività di classificazione e regressione in robotica.

Classificatore lineare-spiega le basi dei classificatori lineari, fondamentali per comprendere la funzionalità delle SVM.

Perceptron-discute l'algoritmo del perceptron, un precursore delle SVM, utile nei problemi di classificazione binaria.

Proiezione (algebra lineare)-si concentra sul concetto geometrico di proiezione, fondamentale per comprendere il principio di funzionamento delle SVM.

Separabilità lineare-esplora il concetto di separabilità lineare, la base per l'utilizzo di SVM in set di dati separabili linearmente.

Metodo kernel-introduce il trucco kernel, consentendo a SVM di operare in spazi di dimensioni superiori per la classificazione non lineare.

Macchina vettoriale di pertinenza-esamina le macchine vettoriali di pertinenza, una variante di SVM con meno vettori di supporto per un calcolo efficiente.

Apprendimento automatico online-esamina come i metodi di apprendimento online possono essere applicati a SVM per l'adattamento in tempo reale in robotica.

Ottimizzazione minima sequenziale-copre il metodo di ottimizzazione utilizzato per addestrare SVM in modo efficiente, un concetto fondamentale per le applicazioni robotiche.

Macchina vettoriale di supporto dei minimi quadrati-discute questa formulazione SVM alternativa per gestire problemi di regressione nei sistemi robotici.

Kernel di stringa-esplora il kernel di stringa, che consente a SVM di gestire dati sequenziali, come gli input dei sensori del robot.

Perdita di cerniera-approfondisce la perdita di cerniera, la funzione utilizzata in SVM per garantire la classificazione del margine massimo.

Classificazione SVM-esamina la classificazione SVM, particolarmente utile in robotica per attività di decisione e definizione delle priorità.

Prospettive di regolarizzazione su macchine a vettori di supporto-esplora il ruolo della regolarizzazione nel controllo dell'overfitting, essenziale per la creazione di sistemi robotici affidabili.

Interpretazione bayesiana della regolarizzazione del kernel-offre una prospettiva bayesiana, collegando la modellazione probabilistica alla regolarizzazione del kernel SVM per modelli robotici più accurati.

Kernel polinomiale-discute il kernel polinomiale, consentendo a SVM di modellare i confini decisionali non lineari nelle attività robotiche.

Kernel della funzione di base radiale-copre il kernel della funzione di base radiale, un potente strumento per la gestione di modelli di dati complessi nei sistemi robotici.

Perceptron del kernel-esamina il metodo del perceptron del kernel, espandendo le SVM per attività robotiche più avanzate.

Platt scaling-introduce il Platt scaling, una tecnica utilizzata per convertire gli output SVM in previsioni probabilistiche in robotica.

Manifold regularization-si concentra sulla regolarizzazione manifold, aiutando a generalizzare i modelli SVM a dati ad alta dimensionalità, spesso riscontrati in robotica.

Debole supervisione-si conclude con tecniche di debole supervisione,...