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**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*佳的学习性能，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*新的文献、新应用和在线软件。

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.

“本书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。书中清晰的条理、富于逻辑性的推演以及优美的文字，备受初学者和专家的赞许。在线参考文献与软件是本书****的和适应时代的新颖特点。我竭诚地向读者**此书。”
——Olvi Mangasarian,威斯康星大学

“本书介绍支持向量机的理论与实践，是一本**的和引人入胜的著作。书中阐明了专业人员所面临的种种关键问题及其解决方案，书后包含一个非常有用的附录，是用伪代码编写的优化算法。”
——David Haussler,加利福尼亚大学

“本书展现了一个主要由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。在这一领域中形成并在日益增多的重大应用中得到使用的主要算法是与正则化类似的支持向量机技术。这本简明扼要的著作对支持向量机及其理论基础进行了严密而自含的介绍。这是值得数学家和工程师一读的读物。”
——Tomaso Poggio,麻省理工学院