Support Vector Machines bei stochastischer Abhängigkeit

(1)自动统计分析（zunemememegrose）；(2)数学分析方法（method）；(3)数学分析方法（method）。[1]张志强，张志强，张志强，张志强，等。数据与文本挖掘，数据与文本挖掘，数据与文本分析。支持向量机（Support Vector Machines）也有：leistungsfähige Verfahren erwiesen， um regularisierte empirische Risiken zu minimieren和um unbekannte complex Zusammenhänge，分别在hochdimensionalen和grogroen Datenmengen zu modellieren中。支持向量机woden in der letzten Dekade theory and empirisch intensich <e:1> rden Fall stochastisch unabhängiger zufallsvariablecuntersucht。哈尔滨工业大学，jährlich stattfindende internationale fachkeconferenzen wiz . b . NIPS和COLT etabliert，和denen Personen auden berichen mathematical statistics， Numerik and Informatik von Universitäten, Forschungsinstituten and Unternehmen teilnehmen。支持向量机（svm）是一种基于模型的、基于动态的、基于先验的、基于先验的支持向量机（svm）。支持向量机（svm）理论研究与应用研究；动态动力学研究与应用研究；模型研究与应用研究与应用研究；（德国）德国（德国）与德国（德国）（德国）（德国）

Die automatische statistische Analyse zunehmend großer Datenmengen mit mathematischen Methoden wird immer wichtiger, um das Risiko von Fehlentscheidungen in der Praxis zu minimieren. Aktuelle Stichworte sind automatische Muster- oder Bilderkennung, Data und Text Mining, Prüfung der Kreditwürdigkeit sowie nichtparametrische Regression. Hierzu haben sich moderne statistische maschinelle Lernverfahren und im besonderen Support Vector Machines als leistungsfähige Verfahren erwiesen, um regularisierte empirische Risiken zu minimieren und um unbekannte komplexe Zusammenhänge auch in hochdimensionalen und großen Datenmengen zu modellieren. Support Vector Machines wurden in der letzten Dekade theoretisch und empirisch intensiv für den Fall stochastisch unabhängiger Zufallsvariablen untersucht. Es haben sich jährlich stattfindende internationale Fachkonferenzen wie z.B. NIPS und COLT etabliert, an denen Personen aus den Bereichen mathematische Statistik, Numerik und Informatik von Universitäten, Forschungsinstituten und Unternehmen teilnehmen. Zwar zeigen empirische Untersuchungen, dass sich Support Vector Machines gut auch zur Modellierung und zur Prognose bei gewissen dynamischen Prozessen eignen, jedoch gibt es hierzu bisher kaum theoretische Ergebnisse. Hauptziel des Projektes ist daher die theoretische Untersuchung von Support Vector Machines für derartige dynamische Prozesse, die zum Beispiel zur Modellierung zeitlich oder räumlich abhängiger Daten verwendet werden. Hierbei werden Fragen der Lernbarkeit (Konsistenz und Lernraten) und der Stabilität (statistische Robustheit) im Vordergrund stehen