Соответствует содержанию федеральной дисциплины «Машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð²Â» государственного образовательного стандарта по направлению подготовки бакалавров 01.03.02 «Прикладная математика и информатика», специальность 01.03.02_02 «Системное программирование». Рассмотрены основные принципы и идеи современного Ð¿Ð¾Ð´Ñ Ð¾Ð´Ð° к решению задачи восстановления зависимостей по эмпирическим данным. Приведены основные базовые идеи реализации SVM-методов. Сделан обзор наиболее ÑÑ„Ñ„ÐµÐºÑ‚Ð¸Ð²Ð½Ñ‹Ñ Ð°Ð»Ð³Ð¾Ñ€Ð¸Ñ‚Ð¼Ð¾Ð² построения машин Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð² для задач бинарной классификации, кластеризации и восстановления регрессии. Предназначено для студентов, Ð¾Ð±ÑƒÑ‡Ð°ÑŽÑ‰Ð¸Ñ ÑÑ по бакалаврским и магистерским программам, а также для аспирантов, Ð¸Ð·ÑƒÑ‡Ð°ÑŽÑ‰Ð¸Ñ Ð¼ÐµÑ‚Ð¾Ð´Ñ‹ и алгоритмы машинного обучения.

The training manual corresponds to the content of the federal discipline “Support Vector Machines” of the state educational standard for the bachelor’s degree major 01.03.02 “Applied Mathematics and Computer Science”, stream 01.03.02_02 “System Programming”. The manual considers the basic principles and ideas of the modern approach to solving the problem of reconstructing dependencies from empirical data. The main basic ideas of implementing SVM methods are presented. The authors made a review of the most effective algorithms for constructing support vector machines for the tasks of binary classification, clustering, and regression recovery. The manual is intended for students enrolled in bachelor’s and master’s degree programs, as well as for graduate students studying methods and algorithms of machine learning.