指点一些很好的SVM教程

我一直在努力掌握支持向量机的基础知识，并下载并阅读了许多在线文章。但是还是无法把握。

我想知道，如果有一些

或者你可以想到的东西，这将使我能够轻松学习SVM基础知识。

PS：我不知何故设法学习PCA（主成分分析）。顺便说一句，你们会猜到我正在从事机器学习。

支持向量机教程的标准build议是由Christopher Burges 提供的模式识别支持向量机教程。另外一个学习SVM的好地方是斯坦福大学的机器学习课程（支持向量机涵盖在6-8讲座中）。这些都是相当理论和沉重的math。

至于源代码; SVMLight ， libsvm和TinySVM都是开源的，但代码不是很容易遵循。我没有仔细看过他们每一个，但TinySVM的来源可能是最容易理解的。本文还有一个SMOalgorithm的伪代码实现。

这是一个很好的初学者关于SVM的教程：

我一直以为StompChicken推荐的教程有点混乱，他们直接谈论界限和VC统计，并试图find最佳的机器等等。不过，如果你已经理解了基础知识，那就太好了。

我发现科林·坎贝尔的那个非常有用。

对libsvm 进行SVM分类的实用指南
PyML的PyML教程我认为1是实用的， 3是明白的理解。

假设你知道基本知识（例如，最大边缘分类器，构造一个核心），解决斯坦福机器学习课程的习题集2（讲义＃5）。有答案钥匙，他握着你的手在整个过程中。使用讲义3和video＃7-8作为参考。

如果您不了解基本知识，请观看较早的video。

我会拿一个R的副本，安装好的 libsvm的e1071包，并尝试在你最喜欢的数据集上获得好的结果。

如果您刚刚计算出了PCA，那么使用比病例更多的预测因子（例如，微arrays基因expression谱，时间序列，来自分析化学的光谱等）来查看数据可能是有益的，并比较PCA预测因子的线性回归与SVM的原始预测。

在其他答案中有很多很棒的参考，但是我认为在阅读内容之前，玩这个黑盒子是有价值的。