根据《Pattern Recognition and Machine Learning》这本书的第7章（稀疏核机）的7.1节，介绍了样本数据线性可分的线性可分支持向量机和样本数据重叠的线性支持向量机，以及支持向量回归。详细介绍了公式的推导过程，以及SMO算法。

MATLAB源码集锦-基于SVM支持向量机算法的降水量预测模型代码

支持向量机-SVM.pdf

个人感觉挺好的支持向量机ppt，介绍的挺容易懂的

适合初学者学习的SVM、SVR工具箱 该工具箱包括了二种分类,二种回归,以及一种一类支持向量机算法 (1) Main_SVC_C.m --- C_SVC二类分类算法 (2) Main_SVC_Nu.m --- Nu_SVC二类分类算法 (3) Main_SVM_One_Class.m --- One-Class支持向量机 (4) Main_SVR_Epsilon.m --- Epsilon_SVR回归算法 (5) Main_SVR_Nu.m --- Nu_SVR回归算法 另附： (1) 目录下以Main_开头的文件即是主程序文件,直接按快捷键F5运行即可 (2) 工具箱中所有程序均在Matlab6.5环境中调试通过，不能保证在Matlab其它版本正确运行

文本相似度计算一直是自然语言处理领域研究中的一个基础问题。而文本语义相似度计算则是在文本相似度计算基础上增加了语义分析,在语义层面对文本相似度作进一步的分析研究,具有广阔的应用背景。本文针对句子级别的文本语义相似度计算问题,提出了应用结构化特征和神经网络的方法,并将该方法应用到一个实际的问答系统中,取得了良好的效果。本文深入研究文本语义相似度计算方法,主要研究内容如下:(1)基于结构化表示的文本语义相似度计算方法针对句子级文本相似度计算方法中平面特征表征性弱的问题,本文提出了应用结构化特征来表示句子级文本的句法、语义等信息。在浅层句法树和依存关系树的基础上,获得了基于短语的浅层句法树PST(Phrase-based Shallow Tree)和基于短语的依存树PDT(Phrase-based Dependency Tree)的结构化特征,并与平面特征向量相结合,使用支持向量回归模型进行文本语义相似度计算。实验结果表明,加入PST或PDT特征可以分别使皮尔逊相关系数比基准系统提高0.054和0.041。(2)基于Tree-LSTM的文本语义相似度计算方法为了进一步提高长文本语义相似度计算性能,本文提出应用深度学习方法对长文本进行语义相似度计算研究。首先,设计了适合神经网络模型的新的基于短语的浅层句法树NPST(New PST)和新的基于短语的依存树NPDT(New PDT)结构化。

基于支持向量机的离心泵故障诊断方法研究 简要论述了支持向量机的大批量，介绍了几种支持向量机的多类分类算法，最后将它们应用于离心泵的故障诊断进行比较，获得了令人满意的效果。

主要介绍了python 机器学习之支持向量机非线性回归SVR模型，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

课程：熟悉 Jupyter notebook 1 、创建新的Python环境 2、Python环境与版本（一） 3、python环境与版本（二）Python环境与版本（三） 5、Python环境与版本（四） 等多个信息超

利用PSO对支持向量机中的参数进行优化，提高了算法的精度