| DC Field | Value | Language |
|---|
| dc.contributor.author | Березина, С. В. | - |
| dc.contributor.author | Романов, Д. А. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-06-01T09:40:31Z | - |
| dc.date.available | 2026-06-01T09:40:31Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Березина, С. В. Анализ ядерных методов в контексте SVM = Analysis of kernel methods in the context of SVM / С. В. Березина, Д. А. Романов // Компьютерные системы и сети : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 336–343. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63896 | - |
| dc.description.abstract | В данной работе рассматриваются теоретические и практические аспекты ядерных методов в машинном обучении с фокусом на метод опорных векторов (SVM). Анализируется математический аппарат гильбертовых пространств и "ядерного трюка", позволяющего эффективно решать нелинейные задачи. Подробно разбираются геометрические свойства разделяющих гиперплоскостей, формулируются прямая и двойственная задачи оптимизации SVM, а также исследуется роль опорных векторов в построении классификатора. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | метод опорных векторов | en_US |
| dc.subject | ядерные методы | en_US |
| dc.subject | нелинейная классификация | en_US |
| dc.subject | линейная разделимость | en_US |
| dc.subject | полиномиальное ядро | en_US |
| dc.subject | сигмоидальное ядро | en_US |
| dc.subject | обучение модели | en_US |
| dc.title | Анализ ядерных методов в контексте SVM | en_US |
| dc.title.alternative | Analysis of kernel methods in the context of SVM | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This article examines the theoretical and practical aspects of kernel methods in machine learning, focusing on the support vector machine (SVM). It analyzes the mathematical formalism of Hilbert spaces and a "kernel trick" that allows for the efficient solution of nonlinear problems. The geometric properties of separating hyperplanes are examined in detail, the primal and dual SVM optimization problems are formulated, and the role of support vectors in classifier construction is explored. | en_US |
| Appears in Collections: | Компьютерные системы и сети : материалы 62-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2026)
|
