1. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. - М.: Фазис, 2005. - 159 с.
Zhuravlev Yu.I., Ryazanov V.V., Sen’ko O.V. Raspoznavanie. Matematicheskie metody. Programmnaya sistema. Prakticheskie primeneniya [Recognition. Mathematical methods. Program system. Practical applications]. Moscow, “Fazis” Publ., 2005, 159 p.
2. Кугаевских А.В., Муромцев Д.И., Кирсанова О.В. Классические методы машинного обучения. - СПб: Университет ИТМО, 2022. - 53с. EDN: MJQVRZ
Kugaevskikh A.V., Muromtsev D.I., Kirsanova O.V. Klassicheskie metody mash-innogo obucheniya [Classical machine learning methods]. Saint Petersburg, 2022, 53 p.
3. Marsland S. Machine Learning: An Algorithmic Perspective. CRC Press. - 2009. - 406 p.
Marsland S. Machine Learning: An Algorithmic Perspective. CRC Press. - 2009. - 406 p.
4. Vapnik V.N. The Nature of Statistical Learning Theory. - Berlin: Springer - Verlag, 1995. - 334 p.
Vapnik V.N. The Nature of Statistical Learning Theory. - Berlin: Springer - Ver-lag, 1995. - 334 p.
5. Brink H., Richards J., Fetherolf M. Real-World Machine Learning. Manning. - 2016. - 264 p.
Brink H., Richards J., Fetherolf M. Real-World Machine Learning. Manning. - 2016. - 264 p.
6. Вьюгин В.В. Элементы математической теории машинного обучения: учебное пособие. - М.: МФТИ: ИППИ РАН, 2010. - 252 с. EDN: QJXHQX
V'yugin V.V. Elementy matematicheskoy teorii mashinnogo obucheniya: uchebnoe posobie [Elements of the mathematical theory of machine learning: student textbook]. Mos-cow: MFTI: IPPI RAN, 2010, 252 p.
7. Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press. - 2014. - 410 p.
Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press. - 2014. - 410 p.
8. Harrington P. Machine Learning in Action. Manning. - 2012. - 384 p.
Harrington P. Machine Learning in Action. Manning. - 2012. - 384 p.
9. Nefedov A. Support Vector Machines: A Simple Tutorial, 2016. - 35 p.
Nefedov A. Support Vector Machines: A Simple Tutorial, 2016. - 35 p.
10. Bishop M. Christopher Pattern Recognition and Machine Learning. Springer. - 2006. - 738 p.
Bishop M. Christopher Pattern Recognition and Machine Learning. Springer. - 2006. - 738 p.
11. Гефан Г.Д., Иванов В.Б. Метод опорных векторов и альтернативный ему простой линейный классификатор // Информационные технологии и проблемы математического моделирования сложных систем. - Иркутск: ИрГУПС, 2012. - Вып. 10. - С. 84-94. EDN: UZMFHZ
Gefan G.D., Ivanov V.B. Metod opornykh vektorov i al'ternativnyy yemu prostoy lineynyy klassifikator [Support vector machine and its alternative simple linear classifier]. In-formacionnye tekhnologii i problemy matematicheskogo modelirovaniya slozhnyh system [In-formation technologies and problems of mathematical modeling of complex systems]. Irkutsk, IrGUPS, 2012, no. 10, pp. 84-94.
12. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения). - М.: Наука, 1974. - 416 с.
Vapnik V.N., Chervonenkis A.Ya. Teoriya raspoznavaniya obrazov (statisticheskie problemy obucheniya) [Theory of pattern recognition (statistical learning problems)]. Moscow, “Nauka” Publ., 1974, 416 p.
