Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Zoek een winkel

€ 74,45

+ 148 punten

Levertermijn 1 à 4 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

Kernel methods are among the most popular techniques in machine learning. From a regularization theory perspective, they provide a natural choice for the hypotheses space and the regularization functional through the notion of reproducing kernel Hilbert spaces. From a probabilistic theory perspective, they are the key in the context of Gaussian processes, where the kernel function is known as the covariance function. The theory of kernel methods for single-valued functions is well established by now, and indeed there has been a considerable amount of work devoted to designing and learning kernels. More recently there has been an increasing interest in methods that deal with multiple outputs, motivated partly by frameworks like multitask learning. Applications of kernels for vector-valued functions include sensor networks, geostatistics, computer graphics and several more. Kernels for Vector-Valued Functions: A Review looks at different methods to design or learn valid kernel functions for multiple outputs, paying particular attention to the connection between probabilistic and regularization methods. Kernels for Vector-Valued Functions: A Review is aimed at researchers with an interest in the theory and application of kernels for vector-valued functions in areas such as statistics, computer science and engineering. One of its goals is to provide a unified framework and a common terminology for researchers working in machine learning and statistics.