Bernhard Schölkopf is een vooraanstaand onderzoeker op het gebied van machine learning, bekend om zijn fundamentele werk op het gebied van kernelmethoden en large-margin classifiers. Zijn onderzoek duikt in de theoretische aspecten en praktische implementaties van kunstmatige intelligentie, waarbij hij onderzoekt hoe machines efficiënt en betrouwbaar van data kunnen leren. Door zijn belangrijke publicaties en academisch leiderschap heeft hij de koers van hedendaagse AI diepgaand beïnvloed, waardoor geavanceerde concepten begrijpelijk worden voor een breed wetenschappelijk publiek.
This book honours the outstanding contributions of Vladimir Vapnik, a rare example of a scientist for whom the following statements hold true simultaneously: his work led to the inception of a new field of research, the theory of statistical learning and empirical inference; he has lived to see the field blossom; and he is still as active as ever
This book constitutes the joint refereed proceedings of the 16th Annual Conference on Computational Learning Theory, COLT 2003, and the 7th Kernel Workshop, Kernel 2003, held in Washington, DC in August 2003. The 47 revised full papers presented together with 5 invited contributions and 8 open problem statements were carefully reviewed and selected from 92 submissions. The papers are organized in topical sections on kernel machines, statistical learning theory, online learning, other approaches, and inductive inference learning.