在研究所時代有旁聽機器學習課程，當時有親自操作SVM來產生model，可參考最近七年度以來一直很夯的文章：支持向量機器 (Support Vector Machine)。此時想要在iOS上使用SVM model要怎麼做呢？好在Apple釋出轉換model工具，再配合2017年釋出的Core ML，就能輕易在iOS上使用該model。
.
在此跳過轉換model的部分，直接進入套用已轉好的Core ML Models。不管你是阿貓還是阿狗做出來的model，都能透過Apple的轉換工具變身為飛天阿貓阿狗給App使用ＸＤ～
既SVM實驗後，接著實驗高階的SVM。首先還是要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。
剛把OpenCV更新到2.4.3版，來試驗一下它的SVM好不好用。首先當然要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。
支持向量機(Support Vector Machine, SVM)是一種監督式學習的方法，一般是應用於分類(Classification/supervised learning)等相關議題上。SVM 基本運作模式如下：在給定一群訓練樣本之下，每個樣本會分別對應至兩個不同的類別(Category)，SVM 會嘗試從建構一個模型(Model)，並利用此模型將每一個樣本分配到一個類別上。
稍微瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)後，來使用OpenCV做個小小的實驗。
研究過LibSVM]SVM 實驗最佳化參數，原本以為只要將Data Set平分為兩半，一半是Train Set，一半是Test Set即可，因為我讀了這篇論文Example-Based Image Color and Tone Style Enhancement也這麼做，要是它使用交叉驗證 (Cross Validation)的話，準確率想必可以再提昇，這個議題還能拿來再研究呢！
承接支持向量機器 (Support Vector Machine)的介紹之後，我們知道資料通常沒有那麼容易地被完美分類，那問題是不是就無解了呢？其實不然，如果用直線無法區分，那麼就用曲線來區分，然而曲線也會遇到障礙，而不得不讓資料混在錯的類別，如果我們提高層次來看待分類，那麼問題似乎就變得簡單了。
支持向量機器 (Support vector machine)通常用在機器學習 (Machine learning)。是一種監督式學習 (Supervised Learning)的方法，主要用在分類 (Classification)和回歸 (Regression)上。現今多數人多簡稱之為SVM，在此來個SVM概念教學。
註：監督式學習，是一個機器學習中的技巧，可以由訓練資料中學到或建立一個模式（function / learning model），並依此模式推測新的實例 (instances)。訓練資料（training data）是由輸入物件（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（稱為迴歸分析），或是預測一個分類標籤（稱作分類）。
第一次聽到長尾理論 (The Long Tail)覺得很有趣，腦海中浮現某種動物的長尾巴，逐漸想到平面的圖表，但只知其形狀卻不知其意義，剛好看到書有在介紹，所以就稍微來研究一下吧～
逍遙文工作室 
HappyMan・迴響