Vapnik，V.N。 统计学习理论的本质。第2版。 （英语） 兹比尔0934.62009 工程与信息科学统计。纽约州纽约市：斯普林格。xix，314页（2000年）。 [关于1995年第一版的审查，请参见Zbl 0833.62008号.]本书的目的是描述统计学习理论的本质。它不是对标准学习理论的调查，但旨在展示抽象推理是如何隐含新算法的。第一章是促进学习问题的设置。它介绍了解决学习问题的经典范式、密度估计的非参数方法以及解决信息受限问题的主要原则。介绍了从经验数据中最小化风险函数的一般模型。第2章描述了学习过程的概念理论：学习理论的关键定理、不可伪造性理论，以及允许为学习过程的一致性构建必要和充分条件的概念。第三章给出了学习过程收敛速度的分布无关界和依赖界的非辛理论。第四章讨论了控制学习机泛化能力的理论，该理论建立在对小样本训练实例构造一个最小化risc泛函的归纳原则的基础上。（神经网络结构示例、局部函数近似、MDL和SRM原理、容量控制）。第5章描述了模式识别的学习算法，并对回归估计问题进行了推广。与经典神经网络一起，实现了具有固定置信区间的经验risc的最小化。主要主题促进了支持向量机（SVM）的实验。第6章引入了一种新型的损失函数，即所谓的（varepsilon）不敏感损失函数。将模式识别问题的结果推广到实值回归估计问题。第7章结合不适定问题理论、经典非参数统计和统计学习理论的思想，提出了一种解决上述问题的新方法，以获得一种新型算法。第8章介绍了一种使用SVM技术最小化预期风险的新原理，称为邻域风险最小化。这本书不容易阅读，但写得简明扼要。它必须推荐给统计学、数学、物理学和计算机科学的科学家。审核人：罗兰·法里昂（海德堡） 引用于2评论引用于636文件 MSC公司： 62B10型 信息理论主题的统计方面 62-02 与统计有关的研究展览（专著、调查文章） 68T05型 人工智能中的学习和自适应系统 关键词：非参数统计；邻近风险最小化；新算法；模式识别；支持向量机 引文：Zbl 0833.62008号 PDF格式BibTeX公司 XML格式引用 \textit{V.N.Vapnik}，统计学习理论的本质。第二版，纽约州纽约市：施普林格（2000；Zbl 0934.62009）