原理与应用大纲背景线性分类非线性分类松弛变量多元分类应用工具包2大纲背景背景线性分类线性分类非线性分类非线性分类松弛变量松弛变量多元分类多元分类应用应用工具包工具包3背景支持向量机 4为什么要用(个人观点)分类效果好上手快种语言的个理论基础完备妇孺皆知的好模型找工作需要它(利益相关：面试狗一只)应用与原理5发展历史重要理论基础年代，和提出维理论重要理论基础年，提出结构风险最小化理论支持向量机()是和于年首先提出的它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中6作者之一简介作者书中详细的论证了统计机器学习之所以区别于传统机器学习的本质，就在于统计机器学习能够精确的给出学习效果，能够解答需要的样本数等等一系列问题。7理论基础（比较八股）统计学习理论的维理论(或)是研究有限样本情况下机器学习规律的理论()反映了函数集的学习能力，维越大则学习机器越复杂8理论基础（比较八股）结构风险最小化机器学习本质上就是一种对问题真实模型的逼近。这个与问题真实解之间的误差，就叫做风险。结构化风险 经验风险 置信风险经验风险 分类器在给定样本上的误差置信
