Support Vector Machines (SVM) sind ein leistungsstarkes und vielseitiges Verfahren des maschinellen Lernens, das für viele Anwendungen wie beispielsweise Bild-, Text- und Handschriftenerkennung eingesetzt wird. Die Grundidee von SVM ist, die zu zwei unterschiedlichen Gruppen gehörenden Daten mit einer Hyperebene zu trennen. Mit Hilfe von Transformationen in höherdimensionale Räume und der Verwendung von Kernel-Funktionen lässt sich dies auch für den Fall durchführen, dass die zugrundeliegenden Daten nicht linear getrennt werden können. Der Schwerpunkt des Seminars liegt auf den mathematischen Grundlagen von SVM. Hierbei werden insbesondere Kernel-Funktionen sowie der Generalisierungsfehler (d. h. die Wahrscheinlichkeit, dass neue Daten falsch klassifiziert werden) behandelt. Zudem werden Optimierungsprobleme im Zusammenhang mit SVM betrachtet. Das Seminar orientiert sich an dem Buch "An Introduction to Support Vector Machines and Other Kernel-based Learning Methods" von Nello Cristianini und John Shawe-Taylor (Cambridge University Press, 2000), das an der TU Hamburg als E-Book unter https://www.cambridge.org/core/books/an-introduction-to-support-vector-machines-and-other-kernelbased-learning-methods/A6A6F4084056A4B23F88648DDBFDD6FC verfügbar ist.